모델이 작동하면 모델의 품질을 최적화할 차례입니다. 다음 단계를 따르세요.
유용한 기능 추가
기존 기능으로 인코딩되지 않은 정보를 인코딩하는 기능을 추가하여 모델 성능을 개선할 수 있습니다. 상관관계 행렬을 사용하여 개별 특성과 라벨 간의 선형 상관관계를 찾을 수 있습니다. 특성과 라벨 간의 비선형 상관관계를 감지하려면 특성 또는 특성 조합에 관계없이 모델을 학습시키고 모델 품질이 증가하는지 확인해야 합니다. 모델 품질을 높여 특성의 포함을 정당화해야 합니다.
초매개변수 조정
모델이 작동하는 초매개변수 값을 찾았습니다. 그러나 이러한 초매개변수 값은 계속 조정할 수 있습니다. 시도 및 오류별로 값을 수동으로 조정할 수 있지만 수동 미세 조정에는 많은 시간이 소요됩니다. 대신 Cloud ML 초매개변수 조정과 같은 자동화된 초매개변수 조정 서비스를 사용하는 것이 좋습니다.
모델 깊이 및 너비 조정
모델을 디버깅하는 동안 모델의 깊이와 너비만 증가했습니다. 반면에 모델을 최적화하는 동안에는 목표에 따라 깊이와 너비를 늘리거나 줄일 수 있습니다. 모델 품질이 적절한 경우 깊이와 너비를 줄여 과적합 및 학습 시간을 줄여 보세요. 특히 각 연속 레이어의 너비를 절반으로 줄여보세요. 모델 품질도 감소하므로 품질과 과적합 및 학습 시간의 균형을 맞춰야 합니다.
반대로 모델 품질이 높아야 한다면 깊이와 너비를 늘려 보세요. 예를 보려면 이 신경망 네트워크 플레이그라운드 실습을 참고하세요. 깊이와 너비의 증가는 학습 시간과 과적합의 증가로 인해 사실상 제한됩니다. 과적합에 대한 자세한 내용은 일반화: 과적합의 위험을 참조하세요.
깊이와 너비는 초매개변수이므로 초매개변수 조정을 사용하여 깊이와 너비를 최적화할 수 있습니다.