Gdy model będzie już działać, zoptymalizuj go. Wykonaj podane niżej czynności.
Dodaj przydatne funkcje
Możesz poprawić wydajność modelu, dodając funkcje kodujące informacje, które nie są jeszcze zakodowane przez istniejące funkcje. Za pomocą korelacji matrycowych można znaleźć liniowe zależności między poszczególnymi funkcjami i etykietami. Aby wykrywać nielinearne korelacje między cechami a etykietami, musisz wytrenować model z funkcją lub bez niej albo w połączeniu z różnymi funkcjami i sprawdzić, czy poprawił się jakość modelu. Musisz uzasadnić uwzględnianie cechy przez wzrost jakości modelu.
Dostraja hiperparametry
Udało Ci się znaleźć wartości hiperparametrów, dzięki którym model działa. Te wartości hiperparametrów można jednak dostosować. Wartości można dostosowywać ręcznie za pomocą prób i błędów, ale ręczne dostosowywanie jest czasochłonne. Zamiast tego możesz użyć automatycznej usługi dostrajania hiperparametrów, takiej jak dostrajanie hiperparametrów Cloud ML.
Głębokość i szerokość modelu
Podczas debugowania modelu zwiększono tylko głębokość i szerokość modelu. Natomiast w trakcie optymalizacji modelu zwiększasz lub zmniejszasz głębokość i szerokość zależnie od swoich celów. Jeśli jakość Twojego modelu jest odpowiednia, spróbuj zmniejszyć dopasowanie i czas trenowania, zmniejszając głębokość i szerokość. A w szczególności spróbuj zmniejszać szerokość każdej warstwy po kolei. Ponieważ jakość Twojego modelu również się pogorszy, musisz znaleźć równowagę między dopasowaniem a wytrenowaniem.
Jeśli natomiast potrzebujesz wyższej jakości modelu, spróbuj zwiększyć głębokość i szerokość. Przykład znajdziesz w ćwiczeniach Neuro Network Playground. Pamiętaj, że wzrost głębi i szerokości jest praktycznie ograniczony przez towarzyszące czasy treningu i nadmiernego ćwiczeń. Aby dowiedzieć się, jak działa dopasowanie zbyt ogólne, przeczytaj artykuł Uogólnienie: ryzyko nadmiernego dopasowania.
Głębokość i szerokość to hiperparametry, więc możesz użyć hiperparametrów do optymalizacji głębokości i szerokości.