Conjuntos de treinamento e de teste

Voltamos ao Playground para experimentar os conjuntos de treinamento e conjuntos de teste.

Clique no ícone de adição para conferir um lembrete do que significam os pontos laranja e azuis.

Na visualização:

• Cada ponto azul significa um exemplo de uma classe de dados (por exemplo, spam).
• Cada ponto laranja significa um exemplo de outra classe de dados (por exemplo, não é spam).
• A cor de fundo representa a previsão do modelo sobre onde os exemplos dessa cor deve ser encontrada. Um plano de fundo azul ao redor de um ponto azul significa que o modelo está prevendo corretamente esse exemplo. Por outro lado, um fundo laranja em torno de um ponto azul significa que o modelo está uma previsão incorreta para o exemplo.

Este exercício apresenta um conjunto de teste e um de treinamento, ambos extraídos no mesmo conjunto de dados. Por padrão, a visualização mostra apenas o definido. Se você também quiser ver o conjunto de teste, clique em a caixa de seleção Mostrar dados do teste logo abaixo da visualização. Na a visualização, observe a seguinte distinção:

• Os exemplos de treinamento têm um contorno branco.
• Os exemplos de teste têm um contorno preto.

Tarefa 1: execute o Playground com as configurações fornecidas seguinte:

1. Clique no botão "Executar/Pausar":
2. Observe a mudança nos valores de perda de teste e perda de treinamento.
3. Quando os valores de Perda de teste e Perda de treinamento param de mudar ou alterar apenas uma vez por vez, pressione o botão Executar/Pausar novamente para pausar o Playground.

. Observe o delta entre a perda de teste e a perda de treinamento. Tentaremos reduzir esse problema nas tarefas a seguir.

Tarefa 2:faça o seguinte:

1. Pressione o botão Redefinir.
2. Modifique a seção Aprendizado conv..
3. Pressione o botão Executar/Pausar:
4. Deixe o Playground ser executado por pelo menos 150 períodos.

O delta entre a perda de teste e a perda do treinamento é menor ou com essa nova taxa de aprendizado? O que acontece se você modificar ambos Taxa de aprendizado e tamanho do lote?

Tarefa opcional 3:usar um controle deslizante chamado Porcentagem dos dados de treinamento permite controlar a proporção de dados de treinamento para testar dados. Por exemplo: quando definido como 90%, 90% dos dados são usados para o conjunto de treinamento os 10% restantes são usados para o conjunto de teste.

Faça o seguinte:

1. Reduza a "porcentagem dos dados de treinamento". de 50% para 10%.
2. Teste a taxa de aprendizado e o tamanho do lote, fazendo anotações descobertas.

. Alterar a porcentagem dos dados de treinamento altera o valor ideal de machine learning que você descobriu na Tarefa 2? Se sim, por quê?

---

---

Clique no ícone de adição para a resposta à Tarefa 1.

Com a taxa de aprendizado definida como 3 (a configuração inicial), A perda de teste é significativamente maior do que a perda de treinamento.

Clique no ícone de adição para receber a resposta da Tarefa 2.

Ao reduzir a taxa de aprendizado (por exemplo, para 0,001), A perda de teste cai para um valor muito mais próximo da perda de treinamento. Na maioria das execuções, aumentar o tamanho do lote não influencia a perda ou o teste do treinamento significativamente a perda. No entanto, em uma pequena porcentagem de execuções, o aumento O tamanho do lote para 20 ou mais faz com que a perda de teste caia um pouco. abaixo da perda do treinamento.

Os conjuntos de dados do Playground são gerados aleatoriamente. Consequentemente, respostas nem sempre vão concordar exatamente com a sua.

Clique no ícone de adição para receber a resposta da Tarefa 3.

Redução drástica da porcentagem de dados de treinamento de 50% para 10% reduz o número de pontos de dados no conjunto de treinamento. Com tão poucos dados, o tamanho do lote e a taxa de aprendizado altos fazem com que o modelo de treinamento pule caoticamente (pulando repetidamente sobre o ponto mínimo).