Сводка
Давайте обобщим полученные сведения.
В качестве примера мы разработали сложную задачу классификации, используя деревья принятия решений и случайные леса. Наш сценарий был трудным – обучение модели, чтобы угадать, какие люди были победителями медалей за ритмическую гимнастику, но мы вытащили его. При этом мы нашли способ решить задачу, используя только основные параметры: возраст, вес, рост и год проведения игр.
Мы узнали, что для оптимизации сложных моделей часто приходится принимать решения о том, как будет структурирована модель, например насколько она будет крупной или глубокой. Мы обсудили, насколько большие и сложные модели гораздо сложнее понять внутренне, как только обучены, но часто имеют впечатляющие показатели производительности по сравнению с более простыми типами моделей.
Мы также практиковали работу с гиперпараметрами, которые влияют на работу обучения. Мы обнаружили, что гиперпараметры могут значительно улучшить степень обучения модели, а для поиска оптимального выбора требуется как логика, так и экспериментирование.