Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Modelimizi ilk kez eğittiğimizde tüm kayıp eğrilerimiz şunun gibiyse makine öğrenimi çok kolay olurdu:
Ancak kayıp eğrilerinin yorumlanması son derece zor olabilir. Aşağıdaki soruları yanıtlamak için kayıp eğrileriyle ilgili bilgilerinizi kullanın.
1. Modelimin Eğitimi Yok!
Arkadaşınız Meltem ve siz bir tek boynuzlu at görünümü tahmincisi üzerinde çalışmaya devam ediyorsunuz.
İlk kayıp eğrin şöyle.
Sorunu ve Melis'in bunu nasıl düzeltebileceğini açıklayın:
Bölümü genişletip yanıtını göstermek için artı simgesini tıklayın.
Modeliniz örtüşmüyor. Aşağıdaki hata ayıklama adımlarını deneyin:
Model Hata Ayıklama bölümündeki adımları uygulayarak özelliklerinizin etiketleri tahmin edip edemeyeceğini kontrol edin.
Kötü örnekleri tespit etmek için verilerinizi bir veri şemasıyla karşılaştırarak kontrol edin.
Eğitim, bu senaryoda olduğu gibi kararsız görünüyorsa modelin parametre alanında geri dönmesini önlemek için öğrenme hızınızı azaltın.
Veri kümenizi, modelinizin tahmin edebileceğini bildiğiniz 10 örnekle basitleştirin. Azaltılmış veri kümesinde çok düşük bir kayıp elde edin. Daha sonra, tam veri kümesinde modelinizin hatalarını ayıklamaya devam edin.
Modelinizi sadeleştirin ve modelin referans değerden daha iyi performans gösterdiğinden emin olun. Sonra modele karmaşık bir yapı ekleyin.
2. Kaybolmuşum!
Mel size başka bir eğri gösteriyor. Buradaki sorun ne ve bunu nasıl düzeltebilir?
Yanıtınızı aşağıya yazın.
Bölümü genişletip yanıtını göstermek için artı simgesini tıklayın.
Kayıptaki büyük artış genellikle giriş verilerindeki anormal değerlerden kaynaklanır. Bunun olası nedenleri şunlardır:
Giriş verilerinde yok.
Anormal veriler nedeniyle patlayan gradyan
Sıfıra böl.
Sıfır veya negatif sayıların logaritması.
Artan kayıp kaybını düzeltmek için gruplarınızda ve mühendislik verilerinizdeki anormal verileri kontrol edin. Anormallik sorunlu görünüyorsa nedenini araştırın. Aksi takdirde, anormallik olağan dışı veriler gibi görünüyorsa verilerinizi karıştırarak aykırı değerlerin gruplar arasında eşit bir şekilde dağıtıldığından emin olun.
3. Metriklerim Çelişkili!
Mel, başka bir eğriyi benimsemeyi istiyor. Neler oluyor ve bu sorunu
nasıl düzeltebilir? Yanıtınızı aşağıya yazın.
Sorunu ve Melis'in bunu nasıl düzeltebileceğini açıklayın:
Bölümü genişletip yanıtını göstermek için artı simgesini tıklayın.
Örneklerinizin sınıflandırma olasılığı hiçbir zaman pozitif sınıflandırma için eşikden yüksek olmadığı için geri çağırma 0'da takılır. Bu durum genellikle büyük bir sınıf dengesi sorunu söz konusu olduğunda meydana gelir. TF Keras gibi makine öğrenimi kitaplıklarının, sınıflandırma metriklerini hesaplamak için genellikle varsayılan 0, 5 eşiği kullandığını unutmayın.
Şu adımları deneyin:
Sınıflandırma eşiğinizi düşürün.
EUC gibi eşik değişimine tabi metrikleri kontrol edin.
4. Test Kaybı Çok Yüksek!
Mel, veri kümelerini test etmek için kayıp eğrilerini gösterir ve "Sorun nedir?" diye sorar. Yanıtınızı aşağıya yazın.
Sorunu ve Melis'in bunu nasıl düzeltebileceğini açıklayın:
Bölümü genişletip yanıtını göstermek için artı simgesini tıklayın.
Eğitim verileri, modelin eğitim verileriyle çok uyumlu olmasına neden oluyor. Şu adımları deneyin:
Model kapasitesini azaltın.
Normalleştirme ekleyin.
Eğitim ve test gruplarının istatistiksel olarak eşdeğer olup olmadığını kontrol edin.
5. Modelim Sıkışıyor
Meltem birkaç gün sonra yeni bir eğriyle dönecekse sabırlı olun. Burada sorun nedir ve Melis bunu nasıl düzeltebilir?
Sorunu ve Melis'in bunu nasıl düzeltebileceğini açıklayın:
Bölümü genişletip yanıtını göstermek için artı simgesini tıklayın.
Kaybınız, tekrarlanan, adım benzeri davranışlar gösteriyor. Modelinizin gördüğü giriş verileri yineleniyor gibi görünüyor. Karıştırma işleminin, giriş verilerindeki tekrar eden davranışları kaldırdığından emin olun.
Çalışıyor!
"Şu anda mükemmel çalışıyor!" Mehmet ekliyor. Zafere zaferiyle koltuğuna doğru uzanır ve büyük bir iç çeken ses çıkarır. Eğri harika görünüyor ve bir şeyler
yaptığınızda ışılıyorsunuz. Meltem ve modelinizi doğrulamak için yararlanabileceğiniz aşağıdaki ek kontrolleri tartışmak için zaman ayırın.