Ottimizzazione del modello

Una volta che il tuo modello funziona, è il momento di ottimizzarne la qualità. Segui i passaggi indicati di seguito.

Aggiungi funzionalità utili

Puoi migliorare le prestazioni del modello aggiungendo funzionalità che codificano le informazioni non ancora codificate da quelle esistenti. Puoi trovare correlazioni lineari tra singole caratteristiche ed etichette utilizzando le matrici di correlazione. Per rilevare correlazioni non lineari tra funzionalità ed etichette, devi addestrare il modello con e senza la funzionalità o combinazione di caratteristiche e verificare un aumento della qualità del modello. Devi giustificare l'inclusione della funzionalità tramite un aumento della qualità del modello.

Regola iperparametri

Hai trovato valori di iperparametri che fanno funzionare il tuo modello. Tuttavia, questi valori iperparametri possono comunque essere regolati. Puoi regolare i valori manualmente per prova ed errore, ma l'ottimizzazione manuale richiede molto tempo. In alternativa, puoi utilizzare un servizio di ottimizzazione degli iperparametri automatizzato, come l'ottimizzazione degli iperparametri di Cloud ML.

Regolare profondità e larghezza del modello

Durante il debug del modello, hai aumentato solo la profondità e la larghezza del modello. Al contrario, durante l'ottimizzazione del modello, puoi aumentare o diminuire la profondità e la larghezza a seconda degli obiettivi. Se la qualità del modello è adeguata, prova a ridurre il tempo di adattamento e il tempo di addestramento diminuendo la profondità e la larghezza. In particolare, prova a dimezzare la larghezza a ogni livello successivo. Poiché anche la qualità del modello diminuirà, è necessario trovare un equilibrio tra la qualità e l'overfitting e il tempo di addestramento.

Al contrario, se hai bisogno di una qualità del modello superiore, prova ad aumentare la profondità e la larghezza. Per un esempio, guarda questo esercizio Neural Network Playground. Ricorda che gli aumenti di profondità e larghezza sono praticamente limitati accompagnando gli aumenti dei tempi di allenamento e di overfitting. Per comprendere l'overfitting, consulta il documento Generalizzazione: rischio di overfitting.

Poiché profondità e larghezza sono iperparametri, puoi utilizzare l'ottimizzazione degli iperparametri per ottimizzare profondità e larghezza.