इस मॉड्यूल को शुरू करने से पहले, देख लें कि क्या ट्रेनिंग और टेस्ट सेट में बताई गई ट्रेनिंग प्रोसेस के इस्तेमाल में कोई गड़बड़ी है.
नीचे दिए गए विकल्पों को एक्सप्लोर करें.
हमने एक टेस्ट सेट और ट्रेनिंग सेट को इस्तेमाल करने के तरीके पर गौर किया, ताकि मॉडल
डेवलप करने में मदद मिल सके. हर बार दोहराए जाने पर, हम ट्रेनिंग डेटा को ट्रेनिंग देंगे और
टेस्ट डेटा का आकलन करेंगे. इसके बाद,
हम लर्निंग रेट और सुविधाओं जैसे अलग-अलग मॉडल के हाइपर पैरामीटर में बदलाव करने
के लिए, टेस्ट डेटा के इवैलुएशन नतीजों का इस्तेमाल करेंगे. क्या इस तरीके में कुछ गलत है? (सिर्फ़ एक जवाब चुनें.)
ठीक है, हम ट्रेनिंग डेटा पर ट्रेनिंग ले रहे हैं.
साथ ही, हम टेस्ट के लिए अलग से होल्ड किए गए डेटा का आकलन कर रहे हैं.
असल में, यहां एक छोटी सी समस्या है. इस बारे में सोचें कि क्या हो सकता है अगर हम इस तरह के
कई बार दोहराए जाएं.
इस प्रोसेस को कई बार दोहराने से, हो सकता है कि हम अपने किसी खास टेस्ट सेट की खासियत के हिसाब से
बदलाव कर लें.
बिलकुल! हम किसी टेस्ट सेट की जांच जितनी ज़्यादा बार करते हैं, उस एक टेस्ट सेट से गलत तरीके से फ़िट होने का खतरा उतना ही ज़्यादा होता है.
इसके बाद, हम एक बेहतर प्रोटोकॉल देखेंगे.
यह कंप्यूटेशन के हिसाब से सही नहीं है. हमें हाइपर पैरामीटर का एक डिफ़ॉल्ट सेट
चुनना चाहिए और संसाधनों को बचाने के लिए उनके साथ रहना चाहिए.
हालांकि, इस तरह के बार-बार इस्तेमाल करने में खर्च आता है, लेकिन मॉडल बनाने का ये एक अहम हिस्सा है. हाइपर पैरामीटर सेटिंग से मॉडल की क्वालिटी पर काफ़ी असर पड़ सकता है. ऐसे में, हमें हमेशा कुछ समय और हिसाब लगाने वाले संसाधनों का बजट बनाना चाहिए, ताकि यह पक्का हो सके कि हमें सबसे अच्छी क्वालिटी मिल सके.