Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Công nghệ máy học sẽ rất dễ dàng nếu tất cả các đường cong giảm độ sáng của chúng tôi hiển thị như này trong lần đầu tiên chúng tôi đào tạo mô hình của mình:
Nhưng trên thực tế, đường cong suy hao có thể khá khó hiểu. Vận dụng khả năng hiểu đường cong suy hao để trả lời các câu hỏi sau đây.
1. Mô hình của tôi sẽ không huấn luyện!
Bạn của bạn, Mel và bạn tiếp tục làm việc về một tính năng dự đoán giao diện kỳ lân.
Đây là đường cong thua đầu tiên.
Mô tả vấn đề và cách Mel có thể khắc phục:
Nhấp vào biểu tượng dấu cộng để mở rộng phần đó và hiển thị câu trả lời.
Mô hình của bạn không quy tụ. Hãy thử các bước gỡ lỗi sau:
Kiểm tra xem các tính năng của bạn có thể dự đoán nhãn hay không bằng cách làm theo các bước trong phần Gỡ lỗi mô hình.
Kiểm tra dữ liệu của bạn dựa trên giản đồ dữ liệu để phát hiện các ví dụ xấu.
Nếu chương trình đào tạo có vẻ không ổn định, như trong biểu đồ này, hãy giảm tốc độ học để ngăn mô hình này tràn ra xung quanh trong không gian tham số.
Đơn giản hóa tập dữ liệu của bạn thành 10 ví dụ mà bạn
biết rằng mô hình của mình có thể dự đoán. Nhận được mức hao tổn rất thấp trên tập dữ liệu đã giảm. Sau đó, hãy tiếp tục gỡ lỗi mô hình của bạn
trên tập dữ liệu đầy đủ.
Đơn giản hóa mô hình của bạn và đảm bảo mô hình đó hoạt động tốt hơn đường cơ sở. Sau đó, tăng dần độ phức tạp vào mô hình.
2. Vụ nổ của tôi bị nổ!
Mel cho bạn thấy một đường cong khác. Vấn đề đang xảy ra ở đây là gì và làm thế nào để khắc phục?
Viết câu trả lời của bạn bên dưới.
Nhấp vào biểu tượng dấu cộng để mở rộng phần đó và hiển thị câu trả lời.
Mức độ tổn thất tăng mạnh thường do giá trị bất thường trong dữ liệu đầu vào. Nguyên nhân có thể là do:
NaN trong dữ liệu đầu vào.
Chuyển màu nổ do dữ liệu bất thường.
Chia cho 0.
Lôgarit của số không hoặc số âm.
Để khắc phục việc mất dữ liệu do nổ, hãy kiểm tra dữ liệu bất thường trong các lô và
trong dữ liệu do kỹ thuật tạo ra. Nếu có điểm bất thường thì hãy
điều tra nguyên nhân. Ngược lại, nếu có điểm bất thường như dữ liệu ngoại lệ, hãy đảm bảo các điểm ngoại lai được phân bổ đồng đều giữa các lô bằng cách xáo trộn dữ liệu của bạn.
3. Chỉ số của tôi là Mâu thuẫn!
Mel muốn bạn có một đường cong khác. Vấn đề xảy ra là gì và làm thế nào cô ấy có thể khắc phục vấn đề đó? Viết câu trả lời của bạn bên dưới.
Mô tả vấn đề và cách Mel có thể khắc phục:
Nhấp vào biểu tượng dấu cộng để mở rộng
phần và hiển thị câu trả lời.
Mức độ ghi nhớ bị kẹt ở mức 0 vì xác suất phân loại trong các ví dụ của bạn
không bao giờ cao hơn ngưỡng
cho việc phân loại tích cực. Trường hợp này thường xảy ra
khi xảy ra vấn đề sự mất cân bằng lớp lớn. Hãy nhớ rằng, các thư viện công nghệ máy học (chẳng hạn như TF Keras) thường sử dụng ngưỡng mặc định là 0, 5 để tính toán các chỉ số phân loại.
Hãy thử các bước sau:
Giảm ngưỡng phân loại của bạn.
Kiểm tra các chỉ số về ngưỡng bất biến, chẳng hạn như AUC.
4. Tỷ lệ mất thử nghiệm quá cao!
Mel sẽ hiển thị cho bạn các đường cong tổn hao cho các tập dữ liệu đào tạo và thử nghiệm, đồng thời hỏi
"Bạn gặp vấn đề gì?" Hãy viết câu trả lời của bạn bên dưới.
Mô tả vấn đề và cách Mel có thể khắc phục:
Nhấp vào biểu tượng dấu cộng để mở rộng phần đó và hiển thị câu trả lời.
Mô hình của bạn không phù hợp với dữ liệu huấn luyện. Hãy thử các bước sau:
Giảm dung lượng của mô hình.
Thêm phiên bản thông thường.
Kiểm tra xem huấn luyện thử nghiệm và phần tách thử nghiệm có
tương đương về mặt thống kê hay không.
5. Mô hình của tôi bị kẹt
Bạn sẽ kiên nhẫn khi Mel quay lại vài ngày sau đó với một đường cong khác. Có vấn đề gì xảy ra ở đây và làm cách nào để Mel có thể khắc phục?
Mô tả vấn đề và cách Mel có thể khắc phục:
Nhấp vào biểu tượng dấu cộng để mở rộng mục đó và hiển thị câu trả lời.
Sự mất mát của bạn đang hiển thị hành vi lặp đi lặp lại giống như bước đi. Có thể dữ liệu đầu vào mà mô hình của bạn nhìn thấy đang thể hiện hành vi lặp lại. Đảm bảo rằng tính năng trộn bài đang xoá hành vi lặp lại khỏi dữ liệu đầu vào.
Ứng dụng này đang hoạt động!
"Tính năng này hiện đang hoạt động rất tốt!" Mel cảm thán. Cô dựa vào chiếc ghế của mình
một cách khả nghi và hít thở dài. Đường cong trông rất đẹp và bạn có ánh sáng đi kèm. Mel và bạn dành một chút thời gian để thảo luận về các bước kiểm tra bổ sung sau đây để xác thực mô hình của mình.
