Resumo
Passamos algum tempo analisando como aprimorar modelos de classificação complexos, com os dados equilibrados e desequilibrados. Aprendemos que identificamos problemas e aprimoramos nossos modelos:
- Avaliar melhor os tipos de erros que o modelo está cometendo.
- Rebalanceando nossos dados ou alterando a maneira como nosso modelo é avaliado.
- Alterando o modelo de arquitetura.
- Trabalhando com hiperparâmetros.
Ao trabalhar com dados complexos, os especialistas em aprendizado de máquina costumam dedicar a maior parte do tempo para alterar a arquitetura do modelo e trabalhar com hiperparâmetros para melhorar seus modelos. Vimos como as configurações erradas podem prejudicar ou melhorar o desempenho do modelo. Um fator importante que decide isso é o tamanho do conjuntos de dados em questão. Geralmente, quando temos conjuntos de dados menores, o ajuste da arquitetura e dos hiperparâmetros podem fazer melhorias consideráveis nos modelos. Com conjuntos de dados muito grandes, eles ainda podem, muitas vezes, obter uma pequena quantidade de ganhos de desempenho de nossos modelos.