One solution, naturally, is to use

One solution, naturally, is to use regularization to counteract the overfitting. We
can try the same cross-validation loop with an elastic net learner, having set the
penalty parameter to 1. Now, we get 0.4 RMSE, which is better than just
"predicting the mean". In a real-life problem, it is hard to know when we have done
all we can as perfect prediction is almost always impossible.

Kết quả (Việt) 1:

Một giải pháp, tự nhiên, là sử dụng regularization để chống lại overfitting. Chúng tôicó thể thử vòng lặp qua xác nhận cùng với một người học net đàn hồi, có thiết lập cáchình phạt các tham số 1. Bây giờ, chúng tôi nhận được cách 0.4 Whattheschmidt, mà là tốt hơn so với chỉ"dự đoán có nghĩa là". Trong một vấn đề cuộc sống thực, nó rất khó để biết khi chúng tôi đã làmTất cả chúng ta có thể là hoàn hảo dự đoán là hầu như luôn luôn không thể.

Kết quả (Việt) 2:

Một giải pháp, một cách tự nhiên, là sử dụng quy tắc để chống lại overfitting. Chúng tôi
có thể thử các vòng lặp cross-validation cùng với một học net đàn hồi, đã thiết lập các
tham số hình phạt 1. Bây giờ, chúng tôi nhận được 0,4 RMSE, mà là tốt hơn so với chỉ
"dự đoán trung bình". Trong một vấn đề thực tế, rất khó để biết khi nào chúng ta đã làm
tất cả chúng ta có thể dự đoán như hoàn hảo là hầu như luôn luôn không thể.