Waarom is dit belangrijk?
Een model kan ook bij lang trainen toevallige ruis gaan volgen in plaats van de echte patronen in de gegevens. In de zorg passen onderzoekers early stopping toe bij het trainen van modellen voor medische beelden, om rekentijd te sparen. Voor teams die zulke modellen bouwen, helpt dat de uitkomst bruikbaar te houden, maar verschillende stopregels geven duidelijk andere uitkomsten.
Zo werkt het in de praktijk
Ontwikkelaars gebruiken early stopping in Keras, een bibliotheek om neurale netwerken te trainen. Zij koppelen de module EarlyStopping aan het trainingsproces. Die module kan na afloop de beste modelversie terugzetten.
In de statistische leertheorie berekenen onderzoekers het stopmoment al vóór de start. Zij doen dat met een bovengrens die afhangt van het aantal stappen. Bij boosting, zoals AdaBoost, laat early stopping de uitkomst dichter bij de echte oplossing komen als er meer voorbeelden bijkomen.
In scikit-learn zit early stopping als schakelaar bij lineaire modellen zoals SGDClassifier. Instellingen bepalen welk deel ter controle dient en hoe groot een verbetering moet zijn. Het trainen stopt na een reeks stappen zonder voldoende verbetering.




