คุณแก้ไขข้อบกพร่องโมเดล ML เพื่อให้โมเดลทํางานได้ เมื่อโมเดลทํางานได้แล้ว คุณจะเพิ่มประสิทธิภาพคุณภาพของโมเดลได้สําหรับเวอร์ชันที่ใช้งานจริง ส่วนนี้จะครอบคลุมทั้งขั้นตอนการแก้ไขข้อบกพร่องและการเพิ่มประสิทธิภาพ
การแก้ไขข้อบกพร่อง ML ต่างกันอย่างไร
ก่อนที่จะเจาะลึกการแก้ไขข้อบกพร่อง ML เรามาดูความแตกต่างของการแก้ไขข้อบกพร่องของโมเดล ML กับการแก้ไขข้อบกพร่องของโปรแกรมทั่วไป คุณภาพที่ไม่ดีในรูปแบบ ML ไม่ได้บ่งชี้ว่ามีข้อบกพร่องเหมือนกับโปรแกรมทั่วไป หากต้องการแก้ไขข้อบกพร่องของโมเดลที่มีประสิทธิภาพต่ํา คุณตรวจสอบสาเหตุได้หลากหลายกว่าในการเขียนโปรแกรมแบบเดิม
ตัวอย่างเช่น สาเหตุบางประการที่ทําให้ประสิทธิภาพของโมเดลต่ํามีดังนี้
- ฟีเจอร์ไม่มีการคาดการณ์พลังงาน
- ไฮเปอร์พารามิเตอร์ได้รับการตั้งค่าเป็นค่าที่ไม่เหมาะสม
- ข้อมูลมีข้อผิดพลาดและความผิดปกติ
- โค้ดวิศวกรรมฟีเจอร์มีข้อบกพร่อง
การแก้ไขข้อบกพร่องของโมเดล ML จะซับซ้อนตามเวลาที่ใช้ในการเรียกใช้การทดสอบ รอบการทําซ้ําที่นานขึ้นและพื้นที่ข้อผิดพลาดขนาดใหญ่ทําให้การแก้ปัญหาโมเดล ML ทําได้ยาก
กระบวนการพัฒนาโมเดล ML
หากคุณทําตามแนวทางปฏิบัติแนะนําในการพัฒนาโมเดล ML การแก้ไขข้อบกพร่องของโมเดล ML จะง่ายขึ้น แนวทางปฏิบัติแนะนําต่อไปนี้
- เริ่มต้นด้วยโมเดลง่ายๆ ที่ใช้ฟีเจอร์ 1 หรือ 2 ฟีเจอร์ การเริ่มต้นด้วยโมเดลที่เรียบง่ายและแก้ไขข้อบกพร่องได้จะช่วยให้คุณจํากัดสาเหตุที่เป็นไปได้หลายประการที่ทําให้ประสิทธิภาพของโมเดลแย่ลงได้
- ทําให้โมเดลของคุณใช้งานได้โดยลองใช้ฟีเจอร์และพารามิเตอร์ไฮเปอร์พารามิเตอร์ต่างๆ ปรับโมเดลให้เรียบง่ายที่สุดเท่าที่จะทําได้เพื่อให้แก้ไขข้อบกพร่องได้ง่ายขึ้น
- เพิ่มประสิทธิภาพโมเดลโดยลองใช้การเปลี่ยนแปลงเหล่านี้ซ้ําๆ
- การเพิ่มฟีเจอร์
- ไฮเปอร์พารามิเตอร์
- กําลังเพิ่มความจุโมเดล
- หลังจากเปลี่ยนรูปแบบแต่ละรูปแบบ ให้กลับไปที่เมตริกแล้วตรวจสอบว่าคุณภาพของโมเดลเพิ่มขึ้นหรือไม่ หากไม่มี ให้แก้ไขข้อบกพร่องของโมเดลตามที่อธิบายไว้ในหลักสูตรนี้
- เมื่อคุณปรับปรุง ให้ตรวจสอบให้แน่ใจว่าคุณเพิ่มความซับซ้อนให้กับโมเดลอย่างช้าๆ และเพิ่มขึ้นเรื่อยๆ