Vous déboguez votre modèle de ML pour le faire fonctionner. Une fois votre modèle opérationnel, vous optimisez sa qualité pour la préparation à la production. Cette section décrit les étapes de débogage et d'optimisation.
En quoi le débogage du ML est-il différent ?
Avant d'aborder le débogage ML, voyons ce qui différencie les modèles de ML du débogage des programmes classiques. Contrairement aux programmes classiques, un modèle de ML de mauvaise qualité n'implique pas la présence d'un bug. Au lieu de cela, pour déboguer les mauvaises performances d'un modèle, vous examinez un plus large éventail de causes que dans la programmation traditionnelle.
Voici quelques-unes des causes de mauvaises performances du modèle:
- Les caractéristiques n'ont pas de puissance prédictive.
- Les hyperparamètres sont définis sur des valeurs non optimales.
- Les données contiennent des erreurs et des anomalies.
- Le code d'extraction de caractéristiques contient des bugs.
Le débogage des modèles de ML est compliqué par le temps nécessaire à l'exécution des tests. Compte tenu des cycles d'itération plus longs et de l'espace d'erreur plus important, le débogage des modèles de ML est particulièrement difficile.
Processus de développement d'un modèle de ML
Si vous suivez les bonnes pratiques pour développer votre modèle de ML, le débogage de votre modèle sera plus simple. Ces bonnes pratiques sont les suivantes:
- Commencez avec un modèle simple qui utilise une ou deux caractéristiques. Commencer avec un modèle simple et facile à déboguer vous aide à identifier les nombreuses causes possibles de mauvaises performances du modèle.
- Faites fonctionner votre modèle en essayant différentes caractéristiques et valeurs d'hyperparamètres. Optez pour un modèle aussi simple que possible pour simplifier le débogage.
- Optimisez votre modèle en effectuant de manière itérative les modifications suivantes :
- ajouter des caractéristiques
- réglage des hyperparamètres
- augmentation de la capacité du modèle
- Après chaque modification de votre modèle, réexaminez vos métriques et vérifiez si la qualité du modèle augmente. Si ce n'est pas le cas, déboguez votre modèle comme décrit dans ce cours.
- Au fur et à mesure de vos itérations, assurez-vous d'ajouter de la complexité à votre modèle progressivement et progressivement.