Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
O machine learning seria muito fácil se todas as nossas curvas de perda fossem assim na primeira vez que treinamos nosso modelo:
Mas, na realidade, as curvas de perda podem ser muito difíceis de interpretar. Use seu conhecimento sobre as curvas de perda para responder às perguntas a seguir.
1. Meu modelo não treina!
Sua amiga Mel e você continuam trabalhando no preditor de aparência do unicórnio.
Esta é sua primeira curva de perda.
Descreva o problema e como Mel pode corrigi-lo:
Clique no ícone de adição para abrir a seção
e revelar a resposta.
Seu modelo não está convergindo. Siga estas etapas de depuração:
Verifique se os recursos podem prever os rótulos seguindo as
etapas em
Depuração de modelos.
Verifique seus dados em relação a um esquema de dados para detectar exemplos ruins.
Se o treinamento parecer instável, como neste gráfico, reduza a
taxa de aprendizado para evitar que o modelo se movimente pelo espaço
do parâmetro.
Simplifique seu conjunto de dados para 10 exemplos que
seu modelo pode prever. Consiga uma perda muito baixa no
conjunto de dados reduzido. Em seguida, continue depurando o modelo
no conjunto de dados completo.
Simplifique seu modelo e garanta que ele tenha desempenho melhor que o valor de referência. Depois, adicione mais complexidade ao modelo.
2. Minha perda explodiu!
Mel mostra outra curva. O que há de errado aqui e como ela pode corrigir o problema?
Escreva sua resposta abaixo.
Clique no ícone de adição para abrir a seção e revelar
a resposta.
Um grande aumento na perda geralmente é causado por valores anômalos em
dados de entrada. As possíveis causas são:
NaNs em dados de entrada.
Gradiente explosivo devido a dados anômalos.
Divisão por zero.
Logaritmo de zero ou números negativos.
Para corrigir uma perda explosiva, verifique se há dados anômalos nos seus lotes e nos dados de engenharia. Se a anomalia parecer problemática, investigue a causa. Caso contrário, se a anomalia parecer
dados outliers, garanta que os outliers sejam distribuídos uniformemente entre os lotes ao embaralhar os dados.
3. Minhas métricas são contraditórias!
Melina quer saber mais sobre outra curva. O que está errado e como ela pode corrigir isso? Escreva sua resposta abaixo.
Descreva o problema e como Mel pode corrigi-lo:
Clique no ícone de adição para abrir
a seção e revelar a resposta.
O recall está parado em 0 porque a probabilidade de classificação dos exemplos
nunca é maior que o limite
para classificação positiva. Isso geralmente ocorre
em problemas com um grande
desequilíbrio de classes. Lembre-se de que
bibliotecas de ML, como o TF Keras, normalmente usam um limite padrão de 0,5 para
calcular métricas de classificação.
Siga estas etapas:
Reduzir o limite de classificação
Verifique as métricas de limites invariáveis, como AUC.
4. Perda de testes é muito alta!
Mel mostra as curvas de perda para treinamento e teste de conjuntos de dados e pergunta
"O que há de errado?". Escreva sua resposta abaixo.
Descreva o problema e como Mel pode corrigi-lo:
Clique no ícone de adição para abrir a seção e revelar
a resposta.
Seu modelo está com overfitting para os dados de treinamento. Siga estas etapas:
Reduza a capacidade do modelo.
Adicionar regularização.
Verifique se as divisões de treinamento e teste são estatisticamente equivalentes.
5. Meu modelo trava
Você é paciente quando Mel retorna alguns dias depois com mais uma curva. O que está errado aqui e como Mel pode corrigir isso?
Descreva o problema e como Mel pode corrigi-lo:
Clique no ícone de adição para abrir a seção e revelar
a resposta.
Sua perda está mostrando um comportamento repetitivo, semelhante a um degrau. É provável que os dados de entrada vistos pelo modelo apresentem comportamento repetitivo. Verifique se o embaralhamento está removendo o comportamento repetitivo
dos dados de entrada.
Funciona!
"Está funcionando perfeitamente agora!" Mel exclama. Ela se reclina para a cadeira
triunfante e pega um grande suspiro. A curva é ótima e você faz o resultado. Mel e você têm um momento para discutir as verificações
a seguir para validar o modelo.