Menyetel Kekuatan Regularisasi
Mengendalikan overfitting dengan C
Menyetel Kekuatan Regularisasi adalah pelajaran NLP Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar NLP Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus NLP Academy mencakup 4 pelajaran total.
Mengapa Model Mengalami Overfitting pada Teks
Dengan ribuan fitur kata, model dapat menghafal keunikan set pelatihan. Regularisasi mencegahnya mengejar derau tersebut. 🧯
Beri Penalti pada Bobot Besar
Regularisasi menambahkan penalti untuk koefisien yang besar. Model harus membenarkan setiap bobot besar, sehingga tetap sederhana dan dapat menggeneralisasi dengan lebih baik.
Mengenal Parameter C
Di scikit-learn, Anda mengatur kekuatan regularisasi dengan C. Nilainya merupakan kebalikan dari regularisasi, jadi C yang lebih kecil berarti penalti yang lebih kuat.
clf = LogisticRegression(C=1.0)C Kecil, Model Lebih Sederhana
C yang sangat kecil menyusutkan bobot dengan kuat hingga mendekati nol. Model menjadi sangat sederhana, sehingga dapat mengalami underfitting dan gagal menangkap sinyal yang sebenarnya.
clf = LogisticRegression(C=0.01)C Besar, Lebih Memercayai Data
C yang besar melemahkan penalti dan memungkinkan bobot bertambah besar. Model menyesuaikan diri dengan data pelatihan secara ketat, tetapi berisiko mengalami overfitting.
clf = LogisticRegression(C=100)L2 Adalah Bawaan yang Aman
Penalti bawaan L2 menyusutkan semua bobot secara perlahan. Ini merupakan titik awal yang aman untuk sebagian besar masalah klasifikasi teks.
L1 Mendorong Bobot Menjadi Nol
Mengganti penalti dengan L1 membuat banyak koefisien menjadi nol, sekaligus melakukan pemilihan fitur dan menghasilkan model yang lebih jarang serta lebih sederhana.
clf = LogisticRegression(penalty='l1', solver='liblinear')Lakukan Penyetelan dengan Validasi Silang
Jangan menebak nilai C secara manual. Gunakan validasi silang untuk menguji beberapa nilai dan memilih nilai dengan skor terbaik pada lipatan yang disisihkan.
Cari dalam Kisi Nilai
GridSearchCV mencoba setiap nilai C, menjalankan validasi silang, lalu melaporkan nilai terbaik. Sapukan C pada berbagai pangkat sepuluh untuk percobaan awal yang cepat.
from sklearn.model_selection import GridSearchCV
grid = {'C': [0.1, 1, 10]}Baca Parameter Terbaik
Setelah proses pencocokan selesai, best_params_ menampilkan nilai C yang menang. Model yang sesuai siap dievaluasi secara jujur pada kumpulan data pengujian Anda.
print(search.best_params_)Sasar Titik Keseimbangan
Tujuannya adalah keseimbangan: cukup bebas untuk belajar, tetapi cukup diberi penalti agar dapat melakukan generalisasi. Titik keseimbangan itu menghasilkan skor terbaik pada teks yang belum pernah dilihat.
Pemeriksaan Singkat
Apa yang terjadi saat Anda menurunkan nilai C?
Ringkasan: Seimbangkan dengan C
Regularisasi melawan overfitting, dan C mengatur kekuatannya secara berbanding terbalik. Setel C dengan validasi silang untuk menemukan titik keseimbangan. ✅
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Menyetel Kekuatan Regularisasi” gratis?
Ya — teks lengkap “Menyetel Kekuatan Regularisasi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus NLP Academy, upgrade ke CoddyKit PRO. Kursus NLP Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Menyetel Kekuatan Regularisasi”?
Mengendalikan overfitting dengan C Kamu berlatih NLP Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai NLP Academy?
Tidak diperlukan pengalaman sebelumnya. NLP Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Menyetel Kekuatan Regularisasi” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran NLP Academy ini?
Ya. Setiap pelajaran NLP Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa Regresi Logistik Unggul pada Teks
- Melatih dengan Fitur TF-IDF
- Memeriksa Koefisien Terkuat
- Menyetel Kekuatan Regularisasi