بهینه سازی مدل

هنگامی که مدل شما کار می کند، نوبت به بهینه سازی کیفیت مدل می رسد. مراحل زیر را دنبال کنید.

اضافه کردن ویژگی های مفید

می‌توانید با افزودن ویژگی‌هایی که اطلاعاتی را که هنوز توسط ویژگی‌های موجود شما کدگذاری نشده‌اند، عملکرد مدل را بهبود ببخشید. با استفاده از ماتریس های همبستگی می توانید همبستگی های خطی بین ویژگی ها و برچسب ها را بیابید. برای تشخیص همبستگی های غیرخطی بین ویژگی ها و برچسب ها، باید مدل را با و بدون ویژگی یا ترکیبی از ویژگی ها آموزش دهید و افزایش کیفیت مدل را بررسی کنید. شما باید گنجاندن ویژگی را با افزایش کیفیت مدل توجیه کنید.

تنظیم فراپارامترها

مقادیری از هایپرپارامترها را پیدا کردید که باعث می شود مدل شما کار کند. با این حال، این مقادیر فراپارامتر هنوز هم قابل تنظیم هستند. شما می توانید مقادیر را به صورت دستی با آزمون و خطا تنظیم کنید، اما تنظیم دستی زمان بر است. درعوض، استفاده از یک سرویس تنظیم خودکار فراپارامتر، مانند Cloud ML Hyperparameter Tuning را در نظر بگیرید.

تنظیم عمق و عرض مدل

هنگام اشکال زدایی مدل خود، فقط عمق و عرض مدل را افزایش دادید. در مقابل، در طول بهینه سازی مدل، بسته به اهداف خود، عمق و عرض را افزایش یا کاهش می دهید. اگر کیفیت مدل شما مناسب است، سعی کنید با کاهش عمق و عرض، زمان اضافه کردن و تمرین را کاهش دهید. به طور خاص، سعی کنید عرض را در هر لایه متوالی نصف کنید. از آنجایی که کیفیت مدل شما نیز کاهش می‌یابد، باید کیفیت را با زمان اضافه و تمرین متعادل کنید.

برعکس، اگر به کیفیت مدل بالاتری نیاز دارید، سعی کنید عمق و عرض را افزایش دهید. برای مثال، این تمرین زمین بازی شبکه عصبی را ببینید. به یاد داشته باشید که افزایش عمق و عرض عملاً با افزایش زمان تمرین و اضافه کردن آن محدود می شود. برای درک بیش از حد، به تعمیم: خطر بیش از حد برازش مراجعه کنید.

از آنجایی که عمق و عرض یک هایپرپارامتر هستند، می توانید از تنظیم هایپرپارامتر برای بهینه سازی عمق و عرض استفاده کنید.