Una vez que tu modelo funcione, es momento de optimizar su calidad. Siga los pasos que se incluyen a continuación.
Agregar funciones útiles
Puedes mejorar el rendimiento del modelo si agregas atributos que codifican información que aún no está codificada por los atributos existentes. Puedes encontrar correlaciones lineales entre atributos individuales y etiquetas mediante el uso de matrices de correlación. Para detectar correlaciones no lineales entre atributos y etiquetas, debes entrenar el modelo con y sin el atributo, o una combinación de atributos, y verificar un aumento en la calidad del modelo. Debes justificar la inclusión de la característica por un aumento en la calidad del modelo.
Ajustar hiperparámetros
Encontraste valores de hiperparámetros que hacen que tu modelo funcione. Sin embargo, estos valores de hiperparámetros aún se pueden ajustar. Puedes ajustar los valores de forma manual por prueba y error, pero el ajuste manual requiere mucho tiempo. En su lugar, considera usar un servicio de ajuste de hiperparámetros automatizado, como el ajuste de hiperparámetros de Cloud ML.
Ajustar la profundidad y el ancho del modelo
Mientras depurabas tu modelo, solo aumentabas su profundidad y ancho. Por el contrario, durante la optimización del modelo, aumentas o disminuyes la profundidad y el ancho según tus objetivos. Si la calidad de tu modelo es adecuada, intenta reducir el sobreajuste y el tiempo de entrenamiento mediante una disminución de la profundidad y el ancho. Específicamente, intente reducir a la mitad el ancho en cada capa sucesiva. Dado que la calidad de tu modelo también disminuirá, debes equilibrar la calidad con el sobreajuste y el tiempo de entrenamiento.
Por el contrario, si necesitas una mayor calidad del modelo, intenta aumentar la profundidad y el ancho. Para ver un ejemplo, consulta este ejercicio de Neural Network Playground. Recuerda que los aumentos de profundidad y ancho están prácticamente limitados, por lo que acompañan los aumentos en el tiempo de entrenamiento y el sobreajuste. Para comprender el sobreajuste, consulta Generalización: peligro de sobreajuste.
Dado que la profundidad y el ancho son hiperparámetros, puedes usar el ajuste de hiperparámetros para optimizar la profundidad y el ancho.