Modele surapprentissage

Le 20 February 2019

Sur une note plus générale, cette étude montre qu`un modèle simple de calcul de l`adaptation motrice a la capacité d`analyser la performance globale dans une tâche d`apprentissage en un composant qui détermine la quantité de rétention à long terme et un autre composant qui ne fonctionne pas. Cette capacité peut être un outil puissant pour la conception rationnelle des paradigmes de formation et de réadaptation motrices qui visent à maximiser le bénéfice à long terme des sessions de formation individuelles. Nos résultats suggèrent que maximiser l`avantage à long terme d`une séance de formation ne vient pas nécessairement de maximiser le niveau global d`apprentissage, mais plutôt de maximiser la quantité d`apprentissage obtenue par un seul processus d`apprentissage constituant – la lenteur Processus. Alors que l`évolution de cette composante lente ne peut pas être mesurée directement, il peut être déterminé à partir de la modélisation computationnelle des processus d`apprentissage qui est informé par une connaissance intime des interactions entre eux. Cette capacité souligne la puissance potentielle d`une approche de modélisation computationnelle pour créer des procédures de formation améliorées — une telle modélisation peut être utilisée pour concevoir des paradigmes de formation qui visent à maximiser l`efficacité pour produire des gains dans le processus d`apprentissage lent comme un substitut efficace pour la rétention à long terme. Dans la pratique, certains progiciels feront ce travail pour vous. Ils tiendront automatiquement l`échantillon de test avant de vous fournir les résultats. Les outils vous montreront les résultats sur les données de test. Cependant, pas tous, il est donc important de comprendre ce principe. Si vous validez votre modèle à l`aide de données de maintien, le surajustement ne doit pas être un problème.

Lors de la comparaison de différents types de modèles, la complexité ne peut pas être mesurée uniquement en comptant le nombre de paramètres existant dans chaque modèle; l`expressivité de chaque paramètre doit également être considérée. Par exemple, il est non trivial de comparer directement la complexité d`un réseau neuronal (qui peut suivre les relations curvilignes) avec des paramètres m à un modèle de régression avec n paramètres. [10] la figure 3D montre les changements de rapport E/I par rapport à la base de pré-formation pour les groupes de non-surapprentissage et de surapprentissage. Un rapport E/I plus élevé que la ligne de base de pré-formation devrait indiquer que les zones visuelles précoces sont devenues plus excitatoires que la ligne de base. Un ratio E/I inférieur à celui de la ligne de base devrait indiquer que les zones visuelles précoces sont devenues plus inhibitrices que la ligne de base. Premièrement, pour vérifier s`il y a une différence dans les changements de rapport E/i entre les temps de mesure MRS ou entre les groupes, une ANOVA à modèle mixte à deux voies a été effectuée sur le changement de rapport E/i avec des facteurs de temps (30 min après vs 3,5 heures après la formation) et groupe ( non-surapprentissage par rapport aux groupes de surapprentissage).

 

Archives