O que são entradas e saídas?
A meta do treinamento é melhorar o modelo para que ele possa fazer estimativas ou previsões de alta qualidade. Depois de treinado, você pode usar um modelo no mundo real, como software normal.
Modelos não se treinam. Eles são treinados usando os dados e mais duas partes do código, a função de objetivo e o otimizador. Vamos explorar como esses componentes funcionam juntos para treinar um modelo para funcionar bem.
O objetivo
O objetivo é o que queremos que o modelo seja capaz de fazer. Por exemplo, o objetivo do nosso cenário é conseguir estimar o tamanho da bota de um cão com base no tamanho do seu arreio.
Para que um computador entenda nosso objetivo, precisamos fornecer nossa meta como um trecho de código chamado função objetiva (também conhecida como função de custo). As funções de objetivo avaliam se o modelo está fazendo um bom trabalho (estimando bem os tamanhos das botas) ou um trabalho ruim (estimando mal os tamanhos das botas). Abordaremos as funções de objetivo com mais profundidade em um material didático posterior.
Os dados
Os dados se referem às informações que fornecemos ao modelo (também conhecidas como entradas). No nosso cenário, a entrada é o tamanho do arreio.
Os dados também podem se referir a outras informações de que a função objetiva pode precisar. Por exemplo, se nossa função objetiva relata se o modelo adivinhou o tamanho da bota corretamente, ele precisará saber o tamanho correto da bota! Por esse motivo, no nosso exercício anterior, fornecemos os tamanhos dos arreios e as respostas corretas para o código de treinamento.
Vamos praticar o trabalho com os dados no próximo exercício.
O otimizador
Durante o treinamento, o modelo faz uma previsão e a função de objetivo calcula o nível de desempenho dessa previsão. O otimizador é um código que altera os parâmetros do modelo para que ele faça um trabalho melhor na próxima vez.
O modo como um otimizador ajusta os parâmetros é complexo e será abordado em um material posterior. Mas não se intimide; normalmente não escrevemos nossos próprios otimizadores, usamos estruturas de código aberto onde o trabalho duro foi feito para nós.
É importante ter em mente que o objetivo, os dados e o otimizador são simplesmente um meio de treinar o modelo. Eles não serão necessários uma vez concluído o treinamento. Também é importante lembrar que o treinamento altera apenas os valores de parâmetro dentro de um modelo, mas não o tipo de modelo usado.