跳到主要内容
Learn Motion
探索课程产品能力价格

下载 Learn Motion

用手机扫描二维码,下载 App。

App Store

扫码从 App Store 下载 Learn Motion打开商店页面

Google Play

扫码从 Google Play 下载 Learn Motion打开商店页面
登录
Learn Motion

Como a Inteligência Artificial Realmente Aprende

1O que significa 'aprender' para uma máquina2Erro, ajuste e o ciclo de aprendizado3Como o modelo encontra a direção do ajuste4Generalizar: aprender além dos exemplos vistos5Os principais paradigmas de aprendizado6Redes neurais e aprendizado profundo7Avaliar, diagnosticar e melhorar o aprendizado
Avaliar, diagnosticar e melhorar o aprendizado

Diagnosticar a falha antes de escolher a correção

2 / 2
Comece com complexidade baixa e poucos dados. Os dois erros ficam altos e próximos: é subajuste, o modelo é simples demais. Agora aumente a complexidade sem mexer nos dados. O erro de treino despenca, mas o de validação sobe: o modelo passou a memorizar particularidades. Esse é o sobreajuste. Por fim, mantenha a complexidade alta e aumente a quantidade de dados. Observe que as duas curvas voltam a se aproximar, porque mais experiência reduz o espaço para memorização. O diagnóstico vem da forma das curvas, e cada forma aponta para uma ação diferente.
0:00 / 0:00

Um modelo com bom desempenho no treino e ruim na validação quase sempre sofre de sobreajuste: ele tem capacidade suficiente para memorizar particularidades dos exemplos, mas essas particularidades não se repetem em dados novos. A correção não é treinar mais tempo, e sim reduzir a liberdade do modelo ou aumentar a variedade de experiência: coletar mais dados, obter exemplos mais diversos, restringir a complexidade da função aprendida ou aplicar regularização, que penaliza soluções excessivamente ajustadas. Um modelo com erro alto tanto no treino quanto na validação sofre de subajuste: ele é simples demais para representar a regularidade do problema. Aqui a correção é oposta — aumentar a capacidade, acrescentar atributos informativos ou treinar por mais tempo. Existe ainda o caso em que o erro de treino é alto e o de validação é ainda maior, com pouca diferença entre eles: o problema costuma estar nos dados, não no modelo. Dados insuficientes, mal medidos ou pouco representativos limitam qualquer arquitetura. A decisão prática segue o diagnóstico: sobreajuste pede mais dados ou mais restrição; subajuste pede mais capacidade ou melhores atributos; dados ruins pedem coleta e limpeza antes de qualquer mudança no modelo.

上一页2 / 2完成

Learn Motion

生成课程,认真学会。

运营方:Wuhan Daoyin Technology Co., Ltd.

联系我们: [email protected]
隐私政策用户服务协议

© 2026 Learn Motion