The goal of training a classifier i

The goal of training a classifier is not to learn an exact representation of the training data itself, but rather to build a statistical model of the process which generates the data.
This is crucial if the classifier is to exhibit good generalization,that is, to make good predictions for new inputs. This highlights the need to optimize the complexity of the model, for example, the number of adaptive weights in an artificial neural network. A network with many weights may have too much flexibility in relation to a particular
data set. On the other hand, a network model which is too simple may not be flexible enough to fit the data properly. This phenomenon is usually denoted as the bias-variance trade-off.

ผลลัพธ์ (ไทย) 1:

เป้าหมายของ classifier การฝึกอบรมคือ การเรียนรู้การแสดงแน่นอนของข้อมูลการฝึกอบรมตัวเอง แต่แทนที่จะ ไปสร้างแบบจำลองทางสถิติของกระบวนการที่สร้างข้อมูลนี้เป็นสิ่งสำคัญถ้า classifier ที่ แสดง generalization ดี คือ ต้องการคาดคะเนที่ดีสำหรับอินพุตใหม่ นี้เน้นจำเป็นในการเพิ่มความซับซ้อนของรูปแบบ ตัวอย่าง จำนวนน้ำหนักที่เหมาะสมในเครือข่ายประสาทเทียม เครือข่ายที่ มีน้ำหนักมากอาจมีความยืดหยุ่นมากเกินไปเกี่ยวกับเฉพาะชุดข้อมูล บนมืออื่น ๆ แบบเครือข่ายที่ง่ายเกินไปอาจจะไม่ยืดหยุ่นพอให้พอดีกับข้อมูลถูกต้อง ปรากฏการณ์นี้มักจะสามารถระบุเป็น trade-off ความโน้มเอียงต่างกัน

ผลลัพธ์ (ไทย) 2:

เป้าหมายของการฝึกอบรมลักษณนามไม่ได้ที่จะเรียนรู้การเป็นตัวแทนที่ถูกต้องของข้อมูลการฝึกอบรมตัวเอง แต่ในการสร้างแบบจำลองทางสถิติของกระบวนการที่สร้างข้อมูล.
นี้เป็นสิ่งสำคัญถ้าลักษณนามคือกายทั่วไปที่ดีซึ่งก็คือการ ทำให้การคาดการณ์ที่ดีสำหรับปัจจัยการผลิตใหม่ นี้เน้นความจำเป็นในการเพิ่มประสิทธิภาพของความซับซ้อนของรูปแบบเช่นจำนวนของน้ำหนักการปรับตัวในเครือข่ายประสาทเทียม เครือข่ายที่มีน้ำหนักหลายคนอาจจะมีความยืดหยุ่นมากเกินไปในความสัมพันธ์กับโดยเฉพาะอย่างยิ่ง
ข้อมูลชุด ในทางตรงกันข้าม, รูปแบบเครือข่ายที่ง่ายเกินไปอาจจะไม่ได้มีความยืดหยุ่นพอที่จะใส่ข้อมูลที่ถูกต้อง นี่คือปรากฏการณ์ที่แสดงมักจะเป็นอคติแปรปรวนค้าปิด

ผลลัพธ์ (ไทย) 3:

เป้าหมายของการฝึกอบรมแบบไม่ได้เรียนการแสดงที่แน่นอนของการฝึกอบรมข้อมูลตัวเอง แต่เพื่อสร้างแบบจำลองทางสถิติของกระบวนการซึ่งจะสร้างข้อมูล .
นี้สําคัญถ้าลักษณนามคือการจัดแสดงที่ดี นั่นคือ การทำให้การคาดการณ์ที่ดีสำหรับข้อมูลใหม่ นี้ไฮไลท์ต้องเพิ่มความซับซ้อนของรูปแบบ ตัวอย่างเช่นจำนวนของน้ำหนักตัวในโครงข่ายประสาทเทียม เครือข่ายที่มีน้ำหนักมากอาจมีความยืดหยุ่นมากในความสัมพันธ์กับเฉพาะ
ชุดข้อมูล บนมืออื่น ๆที่เป็นเครือข่ายแบบธรรมดาเกินไปอาจจะไม่ยืดหยุ่นพอที่จะพอดีกับข้อมูลที่ถูกต้อง ปรากฏการณ์นี้มักจะแสดงเป็นค่าความแปรปรวนอัน .