Test wiedzy

1.

Jaka jest korzyść z normalizacji danych?

Szybsze czasy trenowania

Dokładniejsze usuwanie brakujących wartości

Identyfikacja preferencyjnych algorytmów szkoleniowych

2.

Model, który trenujesz, działa dobrze na zestawie treningowym, ale słabo na zestawie testowym. Co prawdopodobnie się dzieje?

Wystąpiło niedopasowanie, a model nie jest wystarczająco dokładny. Należy zachować szkolenia.

Wystąpiło nadmierne dopasowanie, a model nie działa dobrze na nowych danych poza trenowaniem. Możesz przestać trenować wcześniej lub zbierać bardziej zróżnicowane dane.

Model jest w porządku. Musisz zamiast tego użyć danych treningowych do przetestowania modelu.

3.

Model ma być używany w trudnej aplikacji, w której wymagana jest bardzo niezawodna wydajność. Jaka jest odpowiednia metoda testowania niezawodności modeli w trudnych sytuacjach?

Tworzenie większego zestawu szkoleniowego

Użyj podejścia hold-out i utwórz trzeci, specjalny zestaw danych, który jest wyselekcjonowane, aby uwzględnić przykłady, w których dane wyjściowe modeli muszą spełniać progi wydajności.

Dbaj o koszt podczas trenowania. Jeśli uzyskasz dowolną zmienność, możesz zatrzymać trenowanie.

Sprawdź swoją wiedzę

Opinia