Tento prohlížeč se už nepodporuje.
Upgradujte na Microsoft Edge, abyste mohli využívat nejnovější funkce, aktualizace zabezpečení a technickou podporu.
Jaká je výhoda normalizace dat?
Rychlejší trénování
Přesnější odebrání chybějících hodnot
Identifikace přednostních algoritmů pro trénování
Model, který trénujete, funguje dobře na trénovací sadě, ale špatně na testovací sadě. Co se pravděpodobně děje?
Došlo k nedoučení a váš model není dostatečně přesný. Měli byste pokračovat v trénování.
Došlo k přeučení a váš model nefunguje dobře na datech, která nebyla použita během trénování. Můžete zastavit trénování dříve nebo shromáždit různorodá data.
Váš model je v pořádku. Místo toho musíte k otestování modelu použít trénovací data.
Váš model se použije v náročné aplikaci, kde potřebujete mít velmi spolehlivý výkon. Jaká je vhodná metoda pro testování spolehlivosti modelů v obtížných situacích?
Vytvoření větší trénovací sady
Použijte přístup vyhrazení a vytvořte třetí speciální datovou sadu, která je kurátorovaná tak, aby obsahovala příklady, ve kterých výstupy modelů musí splňovat prahové hodnoty výkonu.
Pozorně sledujte své náklady při tréninku. Pokud zaznamenáte jakoukoli variabilitu, můžete zastavit trénink.
Před kontrolou vaší práce musíte odpovědět na všechny dotazy.
Byla tato stránka užitečná?