Sobald das Modell funktioniert, sollten Sie die Qualität des Modells optimieren. Folgen Sie der Anleitung unten.
Nützliche Funktionen hinzufügen
Sie können die Modellleistung verbessern, indem Sie Features hinzufügen, die Informationen codieren, die noch nicht durch Ihre vorhandenen Funktionen codiert sind. Sie können lineare Korrelationen zwischen einzelnen Merkmalen und Labels mithilfe von Korrelationsmatrizen finden. Um nicht lineare Korrelationen zwischen Merkmalen und Labels zu erkennen, müssen Sie das Modell mit und ohne Ausstattung bzw. Kombination von Merkmalen trainieren und auf eine Erhöhung der Modellqualität prüfen. Sie müssen die Aufnahme des Merkmals durch eine Verbesserung der Modellqualität begründen.
Hyperparameter abstimmen
Sie haben Werte von Hyperparametern gefunden, die Ihr Modell funktionsfähig machen. Diese Hyperparameter-Werte können jedoch abgestimmt werden. Sie können die Werte manuell anhand von Versuchen und Fehlern anpassen, die manuelle Feinabstimmung ist jedoch zeitaufwendig. Verwenden Sie stattdessen einen automatisierten Hyperparameter-Abstimmungsdienst wie Cloud ML Hyperparameter-Abstimmung.
Tiefe und Breite des Feinabstimmungsmodells
Beim Debuggen des Modells haben Sie nur die Tiefe und Breite des Modells erhöht. Im Gegensatz dazu erhöhen oder verringern Sie während der Modelloptimierung entweder die Tiefe und die Breite je nach Ihren Zielen. Wenn Ihre Modellqualität angemessen ist, versuchen Sie, Überanpassung und Trainingszeit zu reduzieren, indem Sie Tiefe und Breite verringern. Versuche, die Breite bei jeder folgenden Ebene zu halbieren. Da sich auch die Modellqualität verschlechtert, müssen Sie Qualität mit Überanpassung und Trainingszeit in Einklang bringen.
Umgekehrt sollten Sie, wenn Sie eine höhere Modellqualität benötigen, versuchen, die Tiefe und Breite zu erhöhen. Ein Beispiel dafür findest du in dieser Übung zu einem neuronalen Netzwerkspielplatz. Denken Sie daran, dass Erhöhungen in Bezug auf Tiefe und Breite durch die damit einhergehende Erhöhung der Trainingszeit und Überanpassung praktisch begrenzt sind. Weitere Informationen zu Überanpassung finden Sie unter Generalisierung: Gefahr einer Überanpassung.
Da Tiefe und Breite Hyperparameter sind, können Sie Tiefe und Breite mit der Hyperparameter-Abstimmung optimieren.