Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Maschinelles Lernen wäre ein Kinderspiel, wenn alle Verlustkurven beim ersten Trainieren unseres Modells so aussehen würden:
Tatsächlich können Verlustkurven jedoch ziemlich schwer zu interpretieren sein. Nutzen Sie Ihr Verständnis von Verlustkurven, um die folgenden Fragen zu beantworten.
1. Mein Modell wird nicht trainiert!
Dein Freund Mel und du arbeiten weiter an einem Einhorn.
Hier ist deine erste Kurve.
Beschreiben Sie das Problem und wie Mel es beheben könnte:
Klicke auf das Pluszeichen, um den Abschnitt zu maximieren und die Antwort anzuzeigen.
Ihr Modell nähert sich nicht an. Versuchen Sie Folgendes:
Prüfen Sie anhand der Schritte unter Fehlerbehebung für Modelle, ob Ihre Features die Labels vorhersagen können.
Vergleichen Sie Ihre Daten mit einem Datenschema, um fehlerhafte Beispiele zu erkennen.
Wenn das Training wie in diesem Diagramm instabil erscheint, reduzieren Sie die Lernrate, um zu verhindern, dass sich das Modell im Parameterbereich bewegt.
Vereinfachen Sie das Dataset auf zehn Beispiele, die Ihr Modell vorhersehen kann. Beziehen Sie einen sehr geringen Verlust an dem reduzierten Dataset. Führen Sie dann die Fehlerbehebung für das Modell mit dem vollständigen Dataset aus.
Vereinfachen Sie Ihr Modell und sorgen Sie dafür, dass es über Ihrer Baseline liegt. Erhöhen Sie dann die Komplexität des Modells.
2. Mein Verlust ist explodiert!
Mel zeigt dir eine weitere Kurve. Woran liegt das? Wie kann sie das Problem beheben?
Schreiben Sie Ihre Antwort unten.
Klicke auf das Pluszeichen, um den Abschnitt zu maximieren und die Antwort anzuzeigen.
Ein starker Verlust ist in der Regel auf anomale Werte in Eingabedaten zurückzuführen. Mögliche Gründe:
NaNs in Eingabedaten.
Explodierender Farbverlauf aufgrund von anomalen Daten.
Division durch null.
Logarithmus von null oder negativen Zahlen
Prüfen Sie in Ihren Batches und in den von Ihnen entwickelten Daten auf ungewöhnliche Daten, um einen explodierenden Verlust zu beheben. Wenn die Anomalie problematisch erscheint, solltest du die Ursache untersuchen. Wenn die Anomalie wie nach außen liegende Daten aussieht, sorgen Sie dafür, dass die Ausreißer gleichmäßig auf die Batches verteilt sind, indem Sie die Daten nach dem Zufallsprinzip verschieben.
3. Meine Messwerte sind widersprüchlich.
Mel möchte dich auf eine neue Kurve bringen. Woran liegt das?
Wie kann sie es beheben? Schreiben Sie Ihre Antwort unten.
Beschreiben Sie das Problem und wie Mel es beheben könnte:
Klicke auf das Pluszeichen, um den Abschnitt zu maximieren und die Antwort anzuzeigen.
Die Trefferquote bleibt bei 0 hängen, da die Klassifizierungswahrscheinlichkeit Ihrer Beispiele für eine positive Klassifizierung nie über dem Grenzwert liegt. Diese Situation tritt häufig bei Problemen mit einem großen Ungleichgewicht der Klassen auf. Beachten Sie, dass ML-Bibliotheken wie TF Keras normalerweise einen Standardgrenzwert von 0,5 verwenden, um Klassifizierungsmesswerte zu berechnen.
Versuchen Sie Folgendes:
Verringern Sie den Klassifizierungsschwellenwert.
Prüfen Sie Messwerte mit Schwellenwertabweichungen, z. B. AUC.
4. Der Verlust von Tests ist zu verdammt hoch!
Mel zeigt dir die Verlustkurven für Trainings- und Test-Datasets und fragt „Was ist los?“ Wie lautet deine Antwort unten?
Beschreiben Sie das Problem und wie Mel es beheben könnte:
Klicke auf das Pluszeichen, um den Abschnitt zu maximieren und die Antwort anzuzeigen.
Ihr Modell passt zu hoch an die Trainingsdaten. Versuchen Sie Folgendes:
Modellkapazität reduzieren.
Fügen Sie Normalisierung hinzu.
Prüfen Sie, ob die Trainings- und Testaufteilungen statistisch äquivalent sind.
5. Mein Modell steckt fest
Du hast etwas Geduld, als Mel ein paar Tage später mit einer neuen Kurve wieder erreichbar ist. Was ist hier los und wie kann Mel das Problem beheben?
Beschreiben Sie das Problem und wie Mel es beheben könnte:
Klicke auf das Pluszeichen, um den Abschnitt zu maximieren und die Antwort anzuzeigen.
Dein Verlust zeigt ein sich wiederholendes, schrittähnliches Verhalten. Es ist wahrscheinlich, dass die von Ihrem Modell erkannten Eingabedaten selbst wiederholtes Verhalten zeigen. Achten Sie darauf, dass durch das Zufallsmix sich wiederholende Verhaltensweisen aus Eingabedaten entfernt werden.
Es funktioniert!
„Sie funktioniert jetzt einwandfrei.“ Mel meldet sich. Sie lehnt sich triumphierend in ihren Stuhl zurück und seufzt seufzend. Die Kurve sieht toll aus und Sie strahlen mit Erfolg. Mel und nehmen sich einen Moment Zeit, um über die folgenden zusätzlichen Prüfungen zur Validierung Ihres Modells zu sprechen.