تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
من السهل جدًا استخدام تكنولوجيا تعلُّم الآلة إذا كانت جميع منحنيات الخسائر تبدو كما يلي في المرة الأولى التي يتم فيها تدريب نموذجنا:
وفي الواقع، قد يكون من الصعب تفسير تفسيرات الخسارة. يمكنك استخدام
فهم منحنيات الخسارة للإجابة عن الأسئلة التالية.
1- نموذجي لن يتم تدريبه.
لقد واصلت أنت وصديقك "ميل" العمل على جهاز توقع ظهور قرن وحيد القرن.
إليك منحنى الخسارة الأول.
اشرح المشكلة وكيفية حلّها:
انقر على رمز الإضافة لتوسيع القسم
لعرض الإجابة.
نموذجك غير متقارب. جرِّب الخطوات التالية لتصحيح الأخطاء:
تحقّق مما إذا كان بإمكان ميزاتك توقّع التصنيفات من خلال اتّباع الخطوات الواردة في
تصحيح أخطاء النماذج.
التحقّق من بياناتك في مقابل مخطط بيانات لرصد الأمثلة غير الصحيحة.
إذا كان التدريب يبدو غير مستقر، كما في هذا المخطط، يمكنك تقليل
معدل التعلُّم لمنع النموذج من الارتداد في مساحة
المعلَمة.
تبسيط مجموعة البيانات لتتضمّن 10 أمثلة تعرف أن نموذجك يمكن أن يتوقعها. الحصول على خسارة منخفضة جدًا
في مجموعة البيانات المصغّرة. وبعد ذلك، يمكنك مواصلة تصحيح أخطاء النموذج
في مجموعة البيانات بالكامل.
يمكنك تبسيط النموذج والتأكّد من تفوق النموذج
في أداء المرجع. ثم إضافة المزيد من التعقيد إلى النموذج بشكلٍ تدريجي.
2. لقد انفجرت خسارتي.
يعرض لك سمير منحنىً آخر. ما هي المشكلة هنا وكيف يمكن حلها؟
اكتب إجابتك أدناه.
انقر على رمز الإضافة لتوسيع القسم وعرض الإجابة.
عادةً ما تحدث زيادة كبيرة في فقدان البيانات بسبب القيم الشاذة في
بيانات الإدخال. الأسباب المحتمَلة هي:
Nans في بيانات الإدخال.
ظهور تدرج كبير بسبب بيانات غير طبيعية
القسمة على صفر.
لوغاريتم صفر أو أرقام سالبة.
لإصلاح خسارة كبيرة، عليك التحقق من البيانات غير الطبيعية في مجموعاتك،
وفي بياناتك الهندسية. إذا كانت القيمة الشاذة تبدو مشكلة، يمكنك
التحقق من السبب. بخلاف ذلك، في حال كانت القيمة الشاذة تبدو
خارجة عن المألوف، احرِص على توزيع القيم الشاذّة بشكل متساوٍ
على دفعات من خلال ترتيب بياناتك عشوائيًا.
3. مقاييسي متناقضة.
يريد ميل أن تأخذ وجهة نظرك في منحنى آخر. ما المشكلة، وكيف يمكنها إصلاحها؟ اكتب إجابتك أدناه.
اشرح المشكلة وكيفية حلّها:
انقر على رمز الإضافة لتوسيع
القسم وإظهار الإجابة.
توقّف الاسترجاع عن القيمة 0 لأن احتمالية تصنيف
الأمثلة أعلى من الحد الأدنى
للتصنيف الإيجابي. وغالبًا ما تحدث هذه المشاكل في
حالة عدم اتّساق الفئات
. تذكّر أنّ
مكتبات الآلة، مثل TF Keras، تستخدم عادةً حدًا تلقائيًا قدره 0.5 لحساب
مقاييس التصنيف.
يمكنك تجربة الخطوات التالية:
خفض الحد الأدنى لتصنيفك
تحقّق من مقاييس المتغير الأدنى، مثل AUC.
4. الخسارة كبيرة جدًا.
تعرض "ميل" منحنيات الخسارة لتدريب مجموعات البيانات واختبارها وتطرح السؤال
"ما المشكلة؟" اكتب إجابتك أدناه.
اشرح المشكلة وكيفية حلّها:
انقر على رمز الإضافة لتوسيع القسم وعرض الإجابة.
يتناسب نموذجك مع بيانات التدريب. جرّب هذه الخطوات:
تقليل سعة الطراز
إضافة تسوية.
تحقق من أن أقسام التدريب والاختبار مكافئة إحصائيًا.
5. نموذجي عالق
لن تتحرّك قصّة "ميل" المطمئنَنة بعد بضعة أيام من منحنى دور آخر. ما هو الخطأ هنا؟ وكيف يمكن إصلاحه؟
اشرح المشكلة وكيفية حلّها:
انقر على رمز الإضافة لتوسيع القسم وعرض الإجابة.
تعرض خسارتك سلوكًا متكررًا يشبه الخطوات. ومن المحتمل أن تكون بيانات الإدخال التي يراها النموذج تعرض سلوكًا متكررًا. احرص على إزالة الترتيب العشوائي للسلوك المتكرّر من بيانات الإدخال.
إنها تعمل بنجاح.
"إِنَّهَا تَعْمَلُ تَمَامًا الْآنْ". تَهْتَفُ مِيلْ. تَرْكُزُ عَلَى كُرْسِيهَا الْمُنْتَصِرْ وَتَنْتَهِشْ. يبدو المنحنى رائعًا وتعبر عن جماله. خصِّص بعض الوقت لمناقشة عمليات الفحص الإضافية التالية للتحقّق من صحة النموذج.
