شما مدل ML خود را اشکال زدایی می کنید تا مدل کار کند. هنگامی که مدل شما کار می کند، کیفیت مدل را برای آمادگی تولید بهینه می کنید. این بخش هر دو مرحله اشکال زدایی و بهینه سازی را پوشش می دهد.
اشکال زدایی ML چگونه متفاوت است؟
قبل از پرداختن به اشکال زدایی ML، بیایید بفهمیم که چه چیزی مدل های اشکال زدایی ML را از اشکال زدایی برنامه های معمولی متمایز می کند. برخلاف برنامه‌های معمولی، کیفیت پایین در مدل ML به معنای وجود باگ نیست. در عوض، برای رفع اشکال عملکرد ضعیف در یک مدل، طیف وسیع تری از علل را نسبت به برنامه نویسی سنتی بررسی می کنید.
به عنوان مثال، در اینجا چند دلیل برای عملکرد ضعیف مدل وجود دارد:
- ویژگی ها فاقد قدرت پیش بینی هستند.
- هایپرپارامترها روی مقادیر غیربهینه تنظیم می شوند.
- داده ها حاوی خطاها و ناهنجاری ها هستند.
- کد مهندسی ویژگی حاوی اشکالاتی است.
اشکال زدایی مدل های ML به دلیل زمان لازم برای اجرای آزمایش های شما پیچیده است. با توجه به چرخه‌های تکرار طولانی‌تر و فضای خطای بزرگ‌تر، اشکال‌زدایی مدل‌های ML به‌طور منحصربه‌فردی چالش برانگیز است.
فرآیند توسعه مدل ML
اگر بهترین روش ها را برای توسعه مدل ML خود دنبال کنید، اشکال زدایی مدل ML شما ساده تر خواهد بود. این بهترین شیوه ها به شرح زیر است:
- با یک مدل ساده شروع کنید که از یک یا دو ویژگی استفاده می کند. شروع با یک مدل ساده و به راحتی قابل اشکال زدایی به شما کمک می کند تا بسیاری از دلایل احتمالی عملکرد ضعیف مدل را محدود کنید.
- با آزمایش ویژگی‌ها و مقادیر فراپارامترهای مختلف، مدل خود را به کار بگیرید. مدل خود را تا حد امکان ساده نگه دارید تا اشکال زدایی ساده شود.
- با تلاش مکرر این تغییرات، مدل خود را بهینه کنید:
- افزودن ویژگی ها
- تنظیم هایپرپارامترها
- افزایش ظرفیت مدل
- پس از هر تغییر در مدل خود، مجدداً معیارهای خود را بررسی کنید و بررسی کنید که آیا کیفیت مدل افزایش می یابد یا خیر. اگر نه، مدل خود را همانطور که در این دوره توضیح داده شده است اشکال زدایی کنید.
- همانطور که تکرار می کنید، مطمئن شوید که به آرامی و تدریجی به مدل خود پیچیدگی اضافه می کنید.