Shrnutí
Strávili jsme určitou dobu tím, jak zlepšit komplexní klasifikační modely, a to jak s vyváženými daty, tak s nevyváženými daty. Dozvěděli jsme se, že identifikujeme problémy a vylepšujeme naše modely pomocí:
- Lepší posouzení druhů chyb modelu je.
- Vyvážení našich dat nebo změna způsobu hodnocení modelu
- Změna architektury modelu
- Práce s hyperparametry
Při práci se složitými daty odborníci na strojové učení často věnují nejvíce času změnám architektury modelu a práci s hyperparametry za účelem zlepšení jejich modelů. Viděli jsme, jak můžou nesprávná nastavení poškodit nebo zlepšit výkon modelu. Hlavním faktorem, který se rozhoduje o velikosti dané datové sady. Když máme menší datové sady, může optimalizace architektury a hyperparametrů často zlepšit velikost modelů. U velmi velkých datových sad je stále možné z našich modelů zmáčknout malé množství výkonu.