Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Systemy uczące się byłyby niezwykle łatwe, gdyby po raz pierwszy wytrenować nasz model:
krzywe krzywe:
Jednak w rzeczywistości krzywe utraty są dość trudne do interpretacji. Wykorzystaj swoją wiedzę o krzywych strat, aby odpowiedzieć na te pytania.
1. Mój model nie będzie się trenować.
Znajomy Mel i Ty kontynuujemy pracę nad prognozą jednorożca.
Oto pierwsza krzywa strat.
Opisz problem i dowiedz się, jak można go rozwiązać:
Kliknij ikonę plusa, aby rozwinąć sekcję i wyświetlić odpowiedź.
Model nie ma zbieżności. Wykonaj te czynności dotyczące debugowania:
Sprawdź, czy Twoje funkcje mogą prognozować etykiety, wykonując czynności opisane w artykule Debugowanie modeli.
Sprawdź dane pod kątem schematu, aby wykryć nieprawidłowe przykłady.
Jeśli trenowanie wygląda niestabilnie, tak jak na tym wykresie, zmniejsz tempo uczenia się, aby model nie został odrzucony w przestrzeni parametrów.
Uprość zbiór danych na 10 przykładach, które model może przewidzieć. Uzyskaj bardzo niską utratę danych w zmniejszonym zbiorze danych. Następnie kontynuuj debugowanie modelu w pełnym zbiorze danych.
Uprość model i upewnij się, że uzyskuje on lepsze wyniki od wartości bazowej. Następnie stopniowo zwiększaj złożoność modelu.
2. Ogromna strata!
Mel pokazuje kolejną krzywą. Co jest nie tak i jak rozwiązać ten problem?
Napisz odpowiedź poniżej.
Kliknij ikonę plusa, aby rozwinąć sekcję i wyświetlić odpowiedź.
Znaczny wzrost strat jest zwykle spowodowany nietypowymi wartościami w danych wejściowych. Możliwe przyczyny:
NAN w danych wejściowych.
Gradientowy eksploracja z powodu anomalii.
Dzielenie przez zero.
Logarytm zer lub liczb ujemnych.
Aby rozwiązać problem eksplozji, sprawdź, czy w grupach i w wybranych danych nie znaleziono nietypowych danych. Jeśli anomalia będzie sprawiać problemy, znajdź przyczynę problemu. W przeciwnym razie, gdy anomalia będzie wyglądała na odstające dane, będą one rozdzielane równomiernie między partie przez tasowanie danych.
3. Moje dane są sprzeczne.
Mel chce spojrzeć na Twoją kolejną krzywą. Co jest nie tak i jak można rozwiązać ten problem? Napisz odpowiedź poniżej.
Opisz problem i dowiedz się, jak można go rozwiązać:
Kliknij ikonę plusa, aby rozwinąć sekcję i wyświetlić odpowiedź.
Czułość jest zatrzymana na 0, ponieważ prawdopodobieństwo klasyfikacji nigdy nie przekracza progu pozytywnej klasyfikacji. Taka sytuacja często występuje w przypadku dużego równowagi klas. Pamiętaj, że biblioteki ML, takie jak TF Keras, do obliczania wskaźników klasyfikacji zwykle używają domyślnego progu 0,5.
Wykonaj te czynności:
Obniż próg klasyfikacji.
Sprawdź dane niezależne od progu, takie jak AUC.
4. Testy utraty są zbyt wysokie!
Mel pokazuje krzywe utraty w przypadku trenowania i testowania zbiorów danych i pyta: „Co jest nie tak?”. Napisz odpowiedź poniżej.
Opisz problem i dowiedz się, jak można go rozwiązać:
Kliknij ikonę plusa, aby rozwinąć sekcję i wyświetlić odpowiedź.
Twój model wykracza poza dane treningowe. Wykonaj te czynności:
Zmniejsz pojemność modelu.
Dodaj normalizację.
Upewnij się, że podziały między szkoleniem a testem są statystycznie równoważne.
5. Utknął mój model
Zachowaj cierpliwość, gdy Mel wraca po kilku dniach z kolejną krzywą. Co jest nie tak i jak można to naprawić?
Opisz problem i dowiedz się, jak można go rozwiązać:
Kliknij ikonę plusa, aby rozwinąć sekcję i wyświetlić odpowiedź.
Twoja strata pokazuje powtarzające się zachowania. Prawdopodobnie dane wejściowe widoczne przez model są w stanie wykazać powtarzające się zachowanie. Upewnij się, że tasowanie usuwa powtarzające się zachowania z danych wejściowych.
To działa!
„Działa teraz doskonale”. „Męczy się” Co jakiś czas siedzi z krzesłem triumfowo i unosi cichy oddech. Krzywa wygląda znakomicie, a idziesz jak burza. Melpo, poświęć chwilę na rozmowę o tych dodatkowych mechanizmach weryfikacji Twojego modelu.
