Confira as opções abaixo.

Analisamos um processo de uso de um conjunto de teste e de conjunto de treinamento para impulsionar as iterações do desenvolvimento de modelos. Em cada iteração, vamos treinar nos dados de treinamento e avaliar os dados de teste, usando os resultados de avaliação nos dados de teste para orientar as escolhas e mudanças em vários hiperparâmetros de modelo, como taxa de aprendizado e recursos. Há algo de errado com essa abordagem? Escolha apenas uma resposta.

Totalmente bem, estamos treinando com dados de treinamento e avaliando dados separados e separados.

Na verdade, há um problema sutil aqui. Pense no que pode acontecer se fizermos muitas e muitas iterações deste formulário.

Fazer muitas rodadas desse procedimento pode fazer com que nos encaixemos implicitamente nas particularidades do nosso conjunto de testes específico.

Sim! Quanto mais avaliamos em um determinado conjunto de testes, mais corremos o risco de sofrer overfitting implicitamente nesse conjunto de testes. A seguir, veremos um protocolo melhor.

Essa computação é ineficiente em termos computacionais. Escolhemos um conjunto padrão de hiperparâmetros e os usamos para economizar recursos.

Embora esses tipos de iterações sejam caros, eles são uma parte essencial do desenvolvimento de modelos. As configurações de hiperparâmetros podem fazer uma enorme diferença na qualidade do modelo, e sempre precisamos orçar um pouco de tempo e recursos computacionais para garantir que estamos conseguindo a melhor qualidade possível.