Dostępne opcje są opisane poniżej.

Przyjrzeliśmy się procesowi korzystania z zestawu testowego i zestawu treningowego do generowania iteracji podczas tworzenia modeli. Po każdej iteracji trenujemy dane treningowe i oceniamy dane testowe, by na podstawie wyników testów podejmować decyzje dotyczące zmian i hiperparametrów różnych modeli, np. częstotliwości i funkcji nauczania. Czy masz coś do tego podejścia? (Wybierz tylko jedną odpowiedź).

Świetnie. Trenujemy szkolenie z danych i oceniamy dane z osobnych i zabezpieczonych danych.

Wystąpił pewien subtelny problem. Zastanów się, co by się stało, gdyby przeprowadziliśmy wiele iteracji tego formularza.

Zastosowanie wielu rund tej procedury może spowodować, że dopasujemy się do szczegółów konkretnego zbioru testowego.

Owszem! Im częściej analizujemy dany zbiór testowy, tym bardziej istnieje ryzyko, że domyślnie zostanie on dopasowany do konkretnego zbioru testowego. Później omówimy lepszy protokół.

Jest to proces wynikowy nieobliczalny. Po prostu wybierz domyślny zestaw hiperparametrów i mieszkaj z nimi, aby zaoszczędzić zasoby.

Chociaż takie iteracje są drogie, mają kluczowe znaczenie przy opracowywaniu modeli. Ustawienia hiperparametrów mogą znacząco wpływać na jakość modelu, dlatego zawsze musimy przeznaczyć trochę czasu i zasobów obliczeniowych, aby mieć pewność, że uzyskamy najlepszą jakość.