تحسين النماذج

وعندما يعمل النموذج، يحين وقت تحسين جودة النموذج. اتّبع الخطوات التالية.

إضافة ميزات مفيدة

يمكنك تحسين أداء النموذج عن طريق إضافة ميزات تعمل على ترميز المعلومات التي لم يتم ترميزها بعد في الميزات الحالية. يمكنك العثور على العلاقات الخطية بين الميزات والتصنيفات الفردية باستخدام مصفوفات الارتباط. لاكتشاف العلاقات غير الخطية بين الميزات والتصنيفات، يجب تدريب النموذج باستخدام الميزة أو بدونها، أو مزيج من الميزات، والتحقق من حدوث زيادة في جودة النموذج. يجب تبرير إدراج الميزة من خلال زيادة جودة النموذج.

ضبط المَعلمات الفائقة

لقد عثرت على قيم لمَعلمات فائقة تجعل النموذج يعمل بشكلٍ سليم. ومع ذلك، لا يزال يمكن ضبط قيم المبالغة الفائقة هذه. يمكنك ضبط القيم يدويًا حسب التجربة والخطأ، ولكن الضبط اليدوي يستغرق وقتًا طويلاً. بدلاً من ذلك، ننصحك باستخدام خدمة ضبط مُبرمَجة للمبالغ الفائقة المُبرمَجة، مثل ميزة توليف Cloud ML.

ضبط عمق النموذج وعرضه

أثناء تصحيح الأخطاء في النموذج، أدت إلى زيادة عمق النموذج وعرضه فقط. وفي المقابل، أثناء تحسين النموذج، يمكنك زيادة أو تقليل العمق والعرض بناءً على أهدافك. إذا كانت جودة نموذجك كافية، حاول تقليل تقليل الوقت والتدريب من خلال تقليل العمق والعرض. على وجه التحديد، جرِّب نصف العرض في كل طبقة متتابعة. بما أنّ جودة النموذج ستقلّ أيضًا، عليك تحقيق التوازن بين الجودة ووقت التدريب الزائد.

وبالعكس، إذا كنت بحاجة إلى جودة أعلى للنموذج، حاوِل زيادة العمق والعرض. على سبيل المثال، تعرّف على تمرين Nural Network Playground. تذكّر أنّ الزيادات في العمق والعرض مقيّدة عمليًا من خلال الزيادات في أوقات التدريب والتجمّع. لفهم الاحتواء الزائد، اطّلِع على التعميم: خطر الإفراط في التقييد.

بما أنّ العمق والعرض هما مَعلمات فائقة الدقة، يمكنك استخدام ضبط المعلمات الفائقة الدقة لتحسين العمق والعرض.