Modelin çalışması için makine öğrenimi modelinizin hatasını giderirsiniz. Modeliniz çalışmaya başladıktan sonra, modelin kalitesini üretime hazır hale getirmek için optimize edebilirsiniz. Bu bölümde hem hata ayıklama hem de optimizasyon adımları ele alınmaktadır.
ML Hata Ayıklaması Farklı mı?
Makine öğrenimi hata ayıklamasına başlamadan önce, hata ayıklama makine öğrenimi modellerinin normal program hata ayıklamalarından farkını görelim. Normal programlardan farklı olarak, makine öğrenimi modelinde düşük kalite hatası olduğu anlamına gelmez. Bunun yerine, bir modeldeki düşük performans hatalarını ayıklamak için geleneksel programlamaya göre daha geniş bir neden yelpazesini araştırırsınız.
Aşağıda, model performansının düşük olmasının birkaç nedeni verilmiştir:
- Özelliklerin tahmin gücü yoktur.
- Hiperparametreler optimum olmayan değerler olarak ayarlanır.
- Verilerde hatalar ve anormallikler var
- Özellik mühendislik kodu hatalar içerir.
ML modellerinin hatalarını ayıklamak, denemelerinizi çalıştırmak için gereken süreye göre karmaşıktır. Daha uzun iterasyon döngüleri ve daha büyük hata alanı nedeniyle makine öğrenimi modellerinde hata ayıklama işlemi oldukça zordur.
ML Model Geliştirme Süreci
ML modelinizi geliştirmeyle ilgili en iyi uygulamalardan yararlanıyorsanız makine öğrenimi modelinizde hata ayıklama işlemi daha basit olacaktır. Bu en iyi uygulamalar şunlardır:
- Bir veya iki özellik kullanan basit bir modelle başlayın. Basit ve kolayca hata ayıklaması kolay bir modelle başlamak, düşük model performansının birçok olası nedenini daraltmanıza yardımcı olur.
- Farklı özellikleri ve hiperparametre değerlerini deneyerek modelinizin işe yaramasını sağlayın. Hata ayıklamayı basitleştirmek için modelinizi mümkün olduğunca basit tutun.
- Bu değişiklikleri tekrar tekrar deneyerek modelinizi optimize edin:
- özellik ekleme
- hiperparametreyi ayarlama
- model kapasitesini artırma
- Modelinizde yapılan her değişiklikten sonra metriklerinizi yeniden inceleyin ve model kalitesinin artıp artmadığını kontrol edin. Yoksa modelinizi bu kursta açıklandığı gibi hata açın.
- Tekrarlarken, modelinize yavaş yavaş ve aşamalı olarak karmaşıklık eklediğinizden emin olun.