با مجموعهها، منظم بمانید
ذخیره و دستهبندی محتوا براساس اولویتهای شما.
اگر اولین باری که مدل خود را آموزش دادیم، همه منحنی‌های ضرر ما به این شکل به نظر می‌رسند، یادگیری ماشین بسیار دشوار خواهد بود:
اما در واقعیت، تفسیر منحنی های ضرر می تواند بسیار چالش برانگیز باشد. از درک خود از منحنی های ضرر برای پاسخ به سوالات زیر استفاده کنید.
1. مدل من تمرین نمی کند!
دوستت مل و شما به کار روی پیش بینی ظاهر تکشاخ ادامه می دهید. این اولین منحنی ضرر شماست.
مشکل و نحوه رفع آن را توضیح دهید:
روی نماد بعلاوه کلیک کنید تا بخش بزرگ شود و پاسخ ظاهر شود.
مدل شما همگرا نیست. این مراحل رفع اشکال را امتحان کنید:
با دنبال کردن مراحل در اشکال زدایی مدل ، بررسی کنید که آیا ویژگی‌های شما می‌توانند برچسب‌ها را پیش‌بینی کنند.
برای شناسایی نمونه های بد، داده های خود را در مقابل یک طرح داده بررسی کنید.
اگر آموزش ناپایدار به نظر می‌رسد، مانند این نمودار، نرخ یادگیری خود را کاهش دهید تا از جهش مدل در فضای پارامتر جلوگیری کنید.
مجموعه داده خود را به 10 نمونه ساده کنید که می دانید مدل شما می تواند روی آنها پیش بینی کند. از دست دادن بسیار کم در مجموعه داده کاهش یافته به دست آورید. سپس به اشکال زدایی مدل خود در مجموعه داده کامل ادامه دهید.
مدل خود را ساده کنید و مطمئن شوید که مدل از خط پایه شما بهتر عمل می کند. سپس به صورت تدریجی به مدل پیچیدگی اضافه کنید.
2. ضرر من منفجر شد!
مل منحنی دیگری را به شما نشان می دهد. اینجا چه مشکلی پیش می آید و چگونه می تواند آن را برطرف کند؟ پاسخ خود را در زیر بنویسید
روی نماد بعلاوه کلیک کنید تا بخش بزرگ شود و پاسخ ظاهر شود.
افزایش زیادی در تلفات معمولاً به دلیل مقادیر غیرعادی در داده های ورودی ایجاد می شود. علل احتمالی عبارتند از:
NaN ها در داده های ورودی
گرادیان انفجاری به دلیل داده های غیرعادی.
تقسیم بر صفر.
لگاریتم اعداد صفر یا منفی.
برای رفع تلفات انفجاری، داده های غیرعادی را در دسته های خود و داده های مهندسی شده خود بررسی کنید. اگر ناهنجاری مشکل ساز به نظر می رسد، پس علت آن را بررسی کنید. در غیر این صورت، اگر ناهنجاری مانند داده‌های دور افتاده به نظر می‌رسد، با به هم زدن داده‌های خود اطمینان حاصل کنید که نقاط پرت به طور مساوی بین دسته‌ها توزیع می‌شوند.
3. معیارهای من متناقض است!
مل می خواهد نظر شما را در مورد منحنی دیگری داشته باشید. چه مشکلی دارد و چگونه می تواند آن را برطرف کند؟ پاسخ خود را در زیر بنویسید
مشکل و نحوه رفع آن را توضیح دهید:
روی نماد بعلاوه کلیک کنید تا بخش بزرگ شود و پاسخ ظاهر شود.
یادآوری در 0 گیر کرده است زیرا احتمال طبقه بندی نمونه های شما هرگز از آستانه طبقه بندی مثبت بالاتر نیست. این وضعیت اغلب در مشکلات با عدم تعادل طبقاتی بزرگ رخ می دهد. به یاد داشته باشید که کتابخانه های ML، مانند TF Keras، معمولاً از آستانه پیش فرض 0.5 برای محاسبه معیارهای طبقه بندی استفاده می کنند.
این مراحل را امتحان کنید:
آستانه طبقه بندی خود را کاهش دهید.
معیارهای متغیر آستانه، مانند AUC را بررسی کنید.
4. ضرر تست خیلی زیاد است!
مل منحنی های ضرر را برای آموزش و آزمایش مجموعه داده ها به شما نشان می دهد و می پرسد "مشکل چیست؟" پاسخ خود را در زیر بنویسید
مشکل و نحوه رفع آن را توضیح دهید:
روی نماد بعلاوه کلیک کنید تا بخش بزرگ شود و پاسخ ظاهر شود.
مدل شما بیش از حد با داده های آموزشی مطابقت دارد. این مراحل را امتحان کنید:
ظرفیت مدل را کاهش دهید.
منظم سازی را اضافه کنید.
بررسی کنید که تقسیمات آموزشی و آزمون از نظر آماری معادل هستند.
5. مدل من گیر می کند
وقتی مل چند روز بعد با یک منحنی دیگر برمی گردد صبور هستید. اینجا چه اشکالی دارد و مل چگونه می تواند آن را برطرف کند؟
مشکل و نحوه رفع آن را توضیح دهید:
روی نماد بعلاوه کلیک کنید تا بخش بزرگ شود و پاسخ ظاهر شود.
از دست دادن شما نشان دهنده رفتاری تکراری و قدم مانند است. این احتمال وجود دارد که داده های ورودی که توسط مدل شما مشاهده می شود، خود رفتار تکراری از خود نشان می دهد. مطمئن شوید که به هم زدن رفتارهای تکراری را از داده های ورودی حذف می کند.
آن کار می کند!
"اکنون کاملاً کار می کند!" مل فریاد می زند. او پیروزمندانه به پشتی صندلی خود تکیه می دهد و آه بزرگی می کشد. منحنی عالی به نظر می رسد و شما با موفقیت پرتو می کنید. مل و شما لحظه ای را صرف بررسی بررسی های اضافی زیر برای اعتبارسنجی مدل خود می کنید.
