تحسين النماذج باستخدام معلمات فائقة
قد يكون من الممكن التعامل مع النماذج البسيطة ذات مجموعات البيانات الصغيرة في خطوة واحدة، في حين يجب التعامل مع مجموعات البيانات الأكبر والنماذج الأكثر تعقيداً باستخدام النموذج بشكل متكرر مع بيانات التدريب ومقارنة الإخراج مع الوصف المتوقع. إذا كان التنبؤ دقيقاً بما فيه الكفاية، فإننا نعتبر أن النموذج أصبح مدرباً. إذا لم يكن كذلك، نضبط النموذج قليلاً ونكرر العملية مرة أخرى.
المعلمات الفائقة هي القيم التي تغير الطريقة التي يتم التعامل بها مع النموذج أثناء هذه التكرارات الحلقية. معدل التعلم، على سبيل المثال، هو أحد المقاييس الفائقة التي تحدد إلى أي مدى تم تعديل النموذج أثناء كل دورة تدريبية. معدل التعلم العالي يعني أنه يمكن تدريب النموذج بشكل أسرع؛ ولكن إذا كانت عالية جدا، يمكن أن تكون التعديلات كبيرة جدا بحيث لا يتم "ضبط النموذج بدقة" أبدا وليس الأمثل.
المعالجة المسبقة للبيانات
تشير المعالجة المسبقة إلى التغييرات التي تجريها على بياناتك قبل تمريرها إلى النموذج. لقد قرأنا سابقا أن المعالجة المسبقة يمكن أن تتضمن تنظيف مجموعة البيانات الخاصة بك. على الرغم من أهمية ذلك، يمكن أن تتضمن المعالجة المسبقة أيضا تغيير تنسيق بياناتك بحيث يكون من الأسهل على النموذج استخدامه. على سبيل المثال، قد تعمل البيانات الموصوفة باسم "الأحمر" و"البرتقالي" و"الأصفر" و"الجير" و"الأخضر" بشكل أفضل إذا تم تحويلها إلى تنسيق أصلي أكثر لأجهزة الكمبيوتر، مثل الأرقام التي تشير إلى كمية الأحمر ومقدار الأخضر.
تحجيم الميزات
إحدى خطوات المعالجة المسبقة الأكثر شيوعاً هي تحجيم الميزات بحيث تقع بين صفر وواحد. على سبيل المثال، قد يمثل وزن الدراجة والمسافة التي يقطعها الشخص بالدراجة عددان مختلفان جداً، ولكن، بتحجيم كل من العدين ليقعا بين صفر وواحد يصبح بإمكان النماذج التعلم بشكل أكثر فعالية من البيانات.
استخدام الفئات كميزات
في التعلم الآلي، يمكنك أيضا استخدام ميزات فئوية مثل "دراجة" أو "لوح تزلج" أو "سيارة". يتم تمثيل هذه الميزات بقيم 0 أو 1 في المتجهات أحادية الحرارة؛ المتجهات التي تحتوي على 0 أو 1 لكل قيمة ممكنة. على سبيل المثال، قد تكون قيم الدراجة ولوح التزلج والسيارة على الترتيب هي (1،0،0)، (0،1،0)، و(0،0،1).