Bonne réponse
- CUtiliser un algorithme de régularisation tel que Lasso (L1).
Explication
La régularisation Lasso (L1) ajoute une pénalité égale à la valeur absolue de l'amplitude des coefficients, ce qui peut réduire certains coefficients à zéro, effectuant ainsi efficacement une sélection de caractéristiques et réduisant le surapprentissage. Cela résout directement le problème des grands coefficients faisant en sorte que le modèle s'adapte au bruit dans les données d'entraînement, ce qui entraîne une erreur de test élevée.
Pour aller plus loin
Le surapprentissage apparaît comme un grand écart entre une faible erreur d'entraînement et une erreur de test élevée parce que le modèle a mémorisé le bruit et les interactions de caractéristiques à haute variance plutôt que le signal sous-jacent. La régression Lasso ajoute une pénalité L1 égale à la valeur absolue des coefficients multipliée par alpha, ce qui réduit les coefficients et en pousse certains exactement à zéro, effectuant une sélection implicite des caractéristiques ; cela réduit la variance et améliore souvent la généralisation. Ridge utilise une pénalité L2 qui réduit les coefficients mais les annule rarement, tandis que Elastic Net combine les deux. Dans Azure Machine Learning, la force de la pénalité est réglée en tant qu'hyperparamètre, généralement avec HyperDrive balayant alpha sur une division de validation. Un ensemble de test plus petit ou plus d'époques aggraverait le diagnostic, et la mise à l'échelle des caractéristiques seule ne contraint pas l'amplitude des coefficients.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.