L'arrêt précoce est une technique utilisée dans les algorithmes d'apprentissage automatique pour éviter le surajustement des données d'entraînement. Cela implique de surveiller les performances du modèle pendant le processus de formation et d'arrêter la formation lorsque les performances sur un ensemble de validation commencent à diminuer. Ceci est fait pour empêcher le modèle de continuer à ajuster ses paramètres pour s'adapter au bruit dans les données d'apprentissage, ce qui peut entraîner de mauvaises performances sur de nouvelles données invisibles. En arrêtant la formation tôt, le modèle ne devient pas trop complexe et est plus susceptible de bien se généraliser aux nouvelles données.
Date de publication: