नीचे दिए गए विकल्प देखें.
हमने एक टेस्ट सेट का इस्तेमाल करने की प्रोसेस देखी और एक ट्रेनिंग सेट
इस्तेमाल किया, ताकि मॉडल को फिर से बनाने का काम किया जा सके. हर बार, हम ट्रेनिंग डेटा पर ट्रेनिंग लेते हैं और टेस्ट डेटा पर इवैलुएशन करते हैं. इसके लिए, टेस्ट डेटा पर इवैलुएशन से जुड़े नतीजों का इस्तेमाल किया जाता है, ताकि सीखने की दर और सुविधाओं जैसे अलग-अलग मॉडल हाइपरपैरामीटर के विकल्पों में बदलाव किए जा सकें. क्या इस तरीके में कुछ
गलत है? (सिर्फ़ एक जवाब चुनें.)
बिल्कुल सही, हम ट्रेनिंग डेटा पर ट्रेनिंग देते हैं और अलग-अलग टेस्ट डेटा का आकलन करते हैं.
यहां एक छोटी सी समस्या है. इस बारे में सोचें कि अगर हमने इस फ़ॉर्म को कई बार दोहराया है, तो क्या हो सकता है.
इस प्रक्रिया के कई राउंड करने से, हो सकता है कि हम अपने खास टेस्ट सेट की सुविधाओं को बिना किसी भेदभाव के शामिल कर पाएं.
हां, बिल्कुल! हम दिए गए किसी टेस्ट सेट पर जितनी ज़्यादा बार जांच करेंगे, हमारे लिए
उतना ही जोखिम बढ़ेगा.
हम अगले प्रोटोकॉल पर बेहतर प्रोटोकॉल देखेंगे.
यह कंप्यूटेशनल तरीके से असरदार नहीं है. हमें हाइपरपैरामीटर का डिफ़ॉल्ट सेट चुनना चाहिए और संसाधनों को सेव करने के लिए उनके साथ लाइव रहना चाहिए.
हालांकि, इस तरह के तरीके महंगे होते हैं, लेकिन ये मॉडल बनाने का एक अहम हिस्सा होते हैं. हाइपरपैरामीटर की सेटिंग से, मॉडल की क्वालिटी में बहुत बड़ा अंतर आ सकता है. इसलिए, हमें हमेशा कुछ समय और कंप्यूटेशनल रिसॉर्स का बजट बनाना चाहिए, ताकि हमें बेहतरीन क्वालिटी मिल सके.