雖然這篇generalization機器學習鄉民發文沒有被收入到精華區：在generalization機器學習這個話題中，我們另外找到其它相關的精選爆讚文章
在 generalization機器學習產品中有1篇Facebook貼文，粉絲數超過6,329的網紅工研院巨量資訊科技中心 - ITRI，也在其Facebook貼文中提到， AI的未來？你不能不認識的人工智慧與資料科學自動化技術—AutoML(4/10) 三、模型評估（Model Evaluation） 模型評估旨在評估所選模型的泛化誤差（generalization error），即所選模型在未知的資料上的表現如何，一個好的機器學習模型不僅可以於訓練過程中在已知的資料...
generalization機器學習 在 工研院巨量資訊科技中心 - ITRI Facebook 的精選貼文
AI的未來？你不能不認識的人工智慧與資料科學自動化技術—AutoML(4/10)
三、模型評估（Model Evaluation）
模型評估旨在評估所選模型的泛化誤差（generalization error），即所選模型在未知的資料上的表現如何，一個好的機器學習模型不僅可以於訓練過程中在已知的資料學習上表現出色，而且也可以對看不見的資料於推論（inference）時有很好的效果。因此，在模型開始使用之前，我們應該相當確定這個模型的表現在面對新資料時不會有效能降低的情形。
評估模型表現的方法可以分為兩類：保留（holdout）和交叉驗證（cross-validation）。兩種方法都使用測試集（即模型看不到的資料）來評估模型表現。不建議使用我們用於構建模型的資料進行評估。這是因為我們的模型將僅記住整個訓練集，因此將始終為訓練集中的任何點預測正確的標籤，這稱為過擬合（overfitting）。