Изменения

=== Недообучение на На примере линейной регрессии ===

|[[Файл:Normal_bias_reg.png|200px|thumb|Рис 2. Модель подходит]] |[[Файл:High_variance_reg.png|200px|thumb|Рис 3. Переобучение]]

Если же добавить дополнительный параметр x^2, и использовать модель <math>y=θ_0+θ_1*x+θ_2*x^2</math>, как представлено на Рис 2, то модель значительно лучше подходит для представленного датасета. Рис 3 показывает результат использования модели <math>y=θ_0+θ_1*x+θ_2*x^2+θ_3*x^3+θ_4*x^4</math> для представленного датасета. Как видно из Рис 3 данная модель слишком заточена для обучающего датасета и, веротяно, покажет плохой результат на тестовой.

=== Недообучение на На примере логистической регрессии ===Представьте задачу классификации размеченых точек. Рис 3 4 показывает результат использования модели <math>g(θ_0+θ_1*x_1+θ_2*x_2)</math> для представленного датасета. Как и в предыдущем примере , данные не поддаются классификации по линейной зависимости.

|[[Файл:High_bias_cla.png|200px|thumb|Рис 34. Недообучение]] |[[Файл:Normal_bias_cla.png|200px|thumb|Рис 45. Модель подходит]] |[[Файл:High_variance_cla.png|200px|thumb|Рис 6. Переобучение]]

В случае же выбора модели <math>g(θ_0+θ_1*x_1+θ_2*x_2+θ_3*x_1^2+θ_4*x_2^2+θ_5*x_1*x_2)</math>, представленой на Рис 45, данные значительно лучше соответствуют модели.  === Переобучение на примере линейной регрессии ===Представьте задачу предсказания y по x ∈ R. Рис 5 показывает результат использования модели <math>y=θ_0+θ_1*x+θ_2*x^2+θ_3*x^3+θ_4*x^4</math> для представленного датасета. Как видно из Рис 5 данная модель слишком заточена для обучающего датасета и, веротяно, покажет плохой результат на тестовой.{|align="center" |-valign="top" |[[Файл:High_variance_reg.png|200px|thumb|Рис 5. Переобучение]] |[[Файл:Normal_bias_reg.png|200px|thumb|Рис 6]] |}Если же добавить упростить модель, и использовать функцию <math>y=θ_0+θ_1*x+θ_2*x^2</math>, как представлено на Рис 6, то модель значительно лучше подходит для представленного датасета.  === Переобучение на примере логистической регрессии ===Представьте задачу классификации размеченых точек. Рис 7 показывает результат использования модели <math>g(θ_0+θ_1*x_1+θ_2*x_1^2+θ_3*x_2*x_1^2+θ_4*x_1^2*x_2^2 + ...)</math> для представленного датасета. {|align="center" |-valign="top" |[[Файл:High_variance_cla.png|200px|thumb|Рис 7. Переобучение]] |[[Файл:Normal_bias_cla.png|200px|thumb|Рис 8]] |}В случае же выбора модели <math>g(θ_0+θ_1*x_1+θ_2*x_2+θ_3*x_1^2+θ_4*x_2^2+x_1*x_2)</math>, представленой на Рис 8, данные значительно лучше соответствуют моделиэто яркий пример явления переобучения.