Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Machine learning akan menjadi mudah jika semua kurva kerugian terlihat seperti ini saat pertama kali kami melatih model:
Namun, pada kenyataannya, kurva kurva bisa sangat sulit untuk ditafsirkan. Gunakan pemahaman Anda tentang kurva kerugian untuk menjawab pertanyaan berikut.
1. Model Saya Tidak Akan Latih!
Teman Anda, Mel, dan Anda melanjutkan pengerjaan prediktor unicorn.
Berikut adalah kurva kerugian pertama Anda.
Jelaskan masalahnya dan cara Mel dapat memperbaikinya:
Klik ikon plus untuk meluaskan bagian
dan mendapatkan jawabannya.
Model Anda tidak dikonvergensi. Coba langkah-langkah proses debug ini:
Periksa apakah fitur Anda dapat memprediksi label dengan mengikuti langkah-langkah dalam Proses Debug Model.
Periksa data Anda berdasarkan skema data untuk mendeteksi contoh yang buruk.
Jika pelatihan terlihat tidak stabil, seperti dalam plot ini, kurangi kecepatan pembelajaran untuk mencegah model memantul di ruang parameter.
Sederhanakan set data Anda menjadi 10 contoh yang dapat diprediksi oleh model Anda. Mendapatkan kerugian yang sangat rendah pada set data yang dikurangi. Kemudian, lanjutkan proses debug model di set data lengkap.
Sederhanakan model Anda dan pastikan model tersebut mengungguli
dasar pengukuran Anda. Kemudian secara bertahap tambahkan kerumitan ke model.
2. Kehilangan Saya Meledak!
Mel menunjukkan kurva lain. Apa yang salah dan bagaimana cara memperbaikinya?
Tulis jawaban Anda di bawah.
Klik ikon plus untuk meluaskan bagian dan menampilkan
jawabannya.
Peningkatan kerugian yang besar biasanya disebabkan oleh nilai-nilai yang tidak wajar dalam data input. Kemungkinan penyebabnya adalah:
NaN dalam data input.
Ledakan gradien karena data yang tidak wajar.
Pembagian dengan nol.
Logaritma dari angka nol atau negatif.
Untuk memperbaiki kerugian yang meledak, periksa data yang tidak wajar dalam batch Anda, dan dalam data yang direkayasa. Jika anomali tampak bermasalah, selidiki
penyebabnya. Sebaliknya, jika anomali tampak seperti data luar, pastikan pencilan didistribusikan secara merata di antara batch dengan mengacak data.
3. Metrik Saya Bertentangan!
Mel ingin kita belajar lagi. Apa yang salah dan
bagaimana cara memperbaikinya? Tulis jawaban Anda di bawah.
Jelaskan masalahnya dan cara Mel dapat memperbaikinya:
Klik ikon plus untuk memperluas
bagian dan menampilkan jawabannya.
Penarikan terhenti di 0 karena probabilitas klasifikasi contoh Anda tidak pernah lebih tinggi dari batas untuk klasifikasi positif. Situasi ini sering terjadi
dalam masalah dengan
ketidakseimbangan class yang besar. Ingat bahwa library ML, seperti TF Keras, biasanya menggunakan ambang batas default 0,5 untuk menghitung metrik klasifikasi.
Coba langkah-langkah berikut:
Turunkan batas klasifikasi Anda.
Periksa metrik invarian batas, seperti AUC.
4. Kerugian Pengujian Terlalu Tinggi.
Mel menunjukkan kurva kerugian untuk pelatihan dan pengujian set data dan menanyakan
"Apa yang salah?" Tulis jawaban Anda di bawah ini.
Jelaskan masalahnya dan cara Mel dapat memperbaikinya:
Klik ikon plus untuk meluaskan bagian dan menampilkan
jawabannya.
Model Anda cocok dengan data pelatihan. Coba lakukan langkah berikut:
Kurangi kapasitas model.
Tambahkan regulerisasi.
Pastikan pemisahan pelatihan dan pengujian setara secara statistik.
5. Model Saya Mengalami Masalah
Anda sabar saat Mel kembali beberapa hari kemudian dengan kurva lainnya. Apa yang salah dan bagaimana cara memperbaikinya?
Jelaskan masalahnya dan cara Mel dapat memperbaikinya:
Klik ikon plus untuk meluaskan bagian dan menampilkan
jawabannya.
Kehilangan Anda menunjukkan perilaku seperti langkah yang berulang. Kemungkinan
data input yang dilihat oleh model Anda sendiri menunjukkan
perilaku berulang. Pastikan bahwa pengacakan menghapus perilaku
berulang dari data input.
Berhasil!
"Semuanya berjalan lancar!" Mel berseru. Dia bersandar ke kursinya dengan penuh kemenangan dan mengheningkan napas. Kurvanya akan terlihat bagus dan Anda berhasil dengan prestasi. Mel dan Anda meluangkan waktu untuk membahas pemeriksaan tambahan berikut guna memvalidasi model Anda.