¿Qué son las entradas y salidas?
El objetivo del entrenamiento es mejorar un modelo para que pueda realizar predicciones o estimaciones de alta calidad. Una vez entrenado, puede usar un modelo en el mundo real, como el software normal.
Los modelos no se entrenan a sí mismos. Se entrenan con datos y dos fragmentos de código: la función objetivo y el optimizador. Exploremos cómo estos componentes trabajan juntos para entrenar a un modelo para que funcione bien.
El objetivo
El objetivo es lo que queremos que el modelo pueda hacer. Por ejemplo, el objetivo de nuestro escenario es poder calcular el tamaño de las botas de un perro en función de su tamaño de arnés.
Para que un equipo pueda comprender nuestro objetivo, debemos proporcionárselo como un fragmento de código denominado función objetivo (también conocido como función de costo). Las funciones objetivo evalúan si el modelo es eficaz (es decir, si calcula la talla correcta de las botas) o no (es decir, si se equivoca a la hora de calcular la talla de las botas). Tratamos las funciones objetivo en profundidad en el material de aprendizaje posterior.
Datos
Los datos se refieren a la información que le proporcionamos al modelo (también denominada entrada). En nuestro escenario, se corresponde con la talla del arnés.
Los datos también se refieren a la información que la función objetivo podría necesitar. Por ejemplo, si nuestra función objetivo nos indica si el modelo ha predicho la talla correcta de las botas, necesitará saber cuál es la talla correcta de las botas. Por este motivo, en el ejercicio anterior proporcionamos tanto las tallas de los arneses como las respuestas correctas al código de entrenamiento.
Practicaremos el trabajo con datos en el ejercicio siguiente.
El optimizador
Durante el entrenamiento, el modelo realiza una predicción y la función objetivo calcula la calidad de su rendimiento. El optimizador es código que a continuación, cambia los parámetros del modelo para que el modelo realice un trabajo mejor la próxima vez.
El proceso que lleva a cabo el optimizador para ajustar los parámetros es complejo y se tratará en material posterior. Pero no se sienta intimidado: normalmente no escribimos nuestros propios optimizadores, sino que usamos marcos de código abierto en los que el trabajo pesado ya está hecho.
Es importante tener en cuenta que el objetivo, los datos y el optimizador son simplemente un medio para entrenar el modelo. No son necesarios una vez completado el entrenamiento. También es importante recordar que el entrenamiento solo cambia los valores de parámetro dentro del modelo, es decir, no cambia el tipo de modelo que se usa.