Sammanfattning
Vi har ägnat lite tid åt att titta på hur du kan förbättra komplexa klassificeringsmodeller, både med balanserade data och med obalanserade data. Vi har lärt oss att vi identifierar problem och förbättrar våra modeller genom att:
- Bättre bedömning av vilken typ av misstag modellen gör.
- Balansera om våra data eller ändra hur vår modell utvärderas.
- Ändra modellarkitekturen.
- Arbeta med hyperparametrar.
När du arbetar med komplexa data ägnar maskininlärningsexperter ofta mest tid åt att ändra modellarkitektur och arbeta med hyperparametrar för att förbättra sina modeller. Vi har sett hur fel inställningar kan skada eller förbättra modellens prestanda. En viktig faktor som avgör detta är storleken på den aktuella datamängden. Ofta när vi har mindre datamängder kan justeringsarkitektur och hyperparametrar göra betydande förbättringar av modeller. Med mycket stora datamängder kan dessa fortfarande ofta pressa ut en liten mängd prestanda från våra modeller.