Resumo
Passamos algum tempo analisando como melhorar modelos de classificação complexos, tanto com dados balanceados quanto com dados desequilibrados. Aprendemos que identificamos problemas e melhoramos nossos modelos:
- Avaliar melhor os tipos de erros que o modelo está a cometer.
- Reequilibrar os nossos dados ou alterar a forma como o nosso modelo é avaliado.
- Alterar a arquitetura do modelo.
- Trabalhando com hiperparâmetros.
Ao trabalhar com dados complexos, os especialistas em aprendizado de máquina geralmente dedicam mais tempo a 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 conjunto de dados em questão. Muitas vezes, quando temos conjuntos de dados menores, a arquitetura de ajuste e os hiperparâmetros podem fazer melhorias consideráveis nos modelos. Com conjuntos de dados muito grandes, estes ainda podem, muitas vezes, extrair uma pequena quantidade de ganho de desempenho dos nossos modelos.