Waarom is dit belangrijk?
Het aantal epochs bepaalt hoe vaak een model alle gegevens opnieuw bekijkt, zodat fouten dalen en verbanden duidelijker worden. In het bedrijfsleven trainen teams daarmee voorspellende modellen, bijvoorbeeld om ontwikkelingen in historische gegevens te voorspellen. Te weinig epochs laten onderliggende patronen liggen; te veel epochs kosten extra rekentijd en maken de uitkomsten op het werk minder betrouwbaar bij nieuwe gevallen.
Zo werkt het in de praktijk
TensorFlow traint neurale netwerken in epochs. Voorbeelden zijn muziek met een terugkerend netwerk en herkenning van gesproken trefwoorden. Aan het eind van elke epoch stopt de software de training als een score niet meer verbetert.
In de statistische leertheorie leggen onderzoekers een stopmoment vast vóór de training start. Yao, Rosasco en Caponnetto werkten dit uit voor kwadratische fouten. Bij boosting, zoals AdaBoost, kan vroeg stoppen de uitkomst naar de ware oplossing laten naderen naarmate er meer voorbeelden zijn.
Vroeg stoppen is regularisatie: het model sluit minder strak aan op de trainingsgegevens. Keras kan de gewichten van de beste epoch terugzetten. Kruisvalidatie kiest het stopmoment uit meerdere delingen van de data.




