A parada antecipada é uma técnica usada em algoritmos de aprendizado de máquina para evitar o superajuste dos dados de treinamento. Envolve monitorar o desempenho do modelo durante o processo de treinamento e interromper o treinamento quando o desempenho em um conjunto de validação começa a diminuir. Isso é feito para evitar que o modelo continue ajustando seus parâmetros para ajustar o ruído nos dados de treinamento, o que pode levar a um desempenho ruim em dados novos e não vistos. Ao interromper o treinamento antecipadamente, o modelo é impedido de se tornar excessivamente complexo e tem maior probabilidade de generalizar bem para novos dados.
Data de publicação: