1. Fogalom magyarul: regularizáció

2. Fogalom angolul: regularization

3. Meghatározás:

A regularizáció a gépi tanulásban az adathalmaz túlillesztésének elkerülése érdekében alkalmazott technika. A túlillesztés akkor következik be, amikor egy modell nagyon jó becsléseket ad a tanító adatokra, miközben kevésbé pontos új, ismeretlen adatokon. A regularizáció több különböző módszert foglal magában, amelyek mindegyike a modell egyszerűsítésére és a túlzott bonyolultság csökkentésére irányul. Egyik konkrét formája a regularizációnak a mély tanulási modellekben gyakran használt, úgynevezett dropout. Ez a módszer véletlenszerűen kikapcsol bizonyos neuronokat a tanítási folyamat során, hogy megelőzze a modell túltanulását. A regularizáció alapvetően arról szól, hogy a modell egyszerűségét és stabilitását növelje, miközben fenntartja a predikciós képességeit. Ez kulcsfontosságú a gépi tanulásban, mivel a túl bonyolult modellek hajlamosak a zajra és a felesleges mintázatokra illeszkedni, míg az egyszerűbb modellek jobb általánosítási képességgel rendelkeznek. A regularizáció alkalmazása során fontos megtalálni a megfelelő egyensúlyt a modell komplexitása és a teljesítménye között, hogy a modell ne legyen sem túlzottan leegyszerűsített, sem túltanult.

4. Hivatkozások:

• Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. "The Elements of Statistical Learning." Springer, 2009.

• Bishop, Christopher M. "Pattern Recognition and Machine Learning." Springer, 2006.

5. Megjegyzések:

6. Kulcsszavak:

mesterséges intelligencia, gépi tanulás