Você depura seu modelo de ML para que ele funcione. Quando o modelo estiver funcionando, você otimizará a qualidade dele para a prontidão da produção. Esta seção abrange as etapas de depuração e otimização.
Qual é a diferença entre a depuração de ML?
Antes de analisar a depuração de ML, vamos entender o que diferencia os modelos de depuração dos programas típicos. Ao contrário dos programas típicos, a baixa qualidade em um modelo de ML não implica a presença de um bug. Em vez disso, para depurar o desempenho ruim de um modelo, investigue uma variedade mais ampla de causas do que na programação tradicional.
Por exemplo, veja a seguir algumas causas de um desempenho ruim do modelo:
- Os atributos não têm poder preditivo.
- Os hiperparâmetros são definidos como valores não ideais.
- Os dados contêm erros e anomalias.
- O código de engenharia de atributos contém bugs.
A depuração de modelos de ML é complicada pelo tempo que leva para executar seus experimentos. Devido aos ciclos de iteração mais longos e ao maior espaço de erro, a depuração de modelos de ML é um desafio único.
Processo de desenvolvimento de modelos de ML
Se você seguir as práticas recomendadas para desenvolver seu modelo de ML, a depuração do seu modelo de ML será mais simples. Essas práticas recomendadas são as seguintes:
- Comece com um modelo simples que use um ou dois atributos. Começar com um modelo simples e depurável ajuda a restringir as várias causas possíveis para um desempenho ruim do modelo.
- Para que seu modelo funcione, teste diferentes atributos e valores de hiperparâmetros. Mantenha o modelo o mais simples possível para simplificar a depuração.
- Otimize o modelo testando essas alterações de maneira iterativa:
- adição de atributos
- ajuste de hiperparâmetros
- aumentando a capacidade do modelo
- Após cada alteração no modelo, revise suas métricas e verifique se a qualidade do modelo aumenta. Caso contrário, depure seu modelo conforme descrito neste curso.
- À medida que você faz iterações, adicione complexidade ao seu modelo de maneira lenta e incremental.