Tento prohlížeč se už nepodporuje.
Upgradujte na Microsoft Edge, abyste mohli využívat nejnovější funkce, aktualizace zabezpečení a technickou podporu.
Jaká je výhoda normalizace dat?
Rychlejší trénování
Přesnější odebrání chybějících hodnot
Identifikace preferenčních algoritmů pro trénování
Model, který trénujete, funguje dobře na trénovací sadě, ale na testovací sadě špatně. Co se pravděpodobně děje?
Došlo k nedostatečnému přizpůsobení a váš model není dostatečně přesný. Měl bys dál trénovat.
Došlo k přeurčení a váš model nefunguje dobře s novými daty mimo trénování. Trénování můžete ukončit dříve nebo shromažďovat různorodější data.
Váš model je v pořádku. Místo toho je potřeba použít trénovací data k otestování modelu.
Váš model se má použít v náročné aplikaci, kde se vyžaduje velmi spolehlivý výkon. Jaká je vhodná metoda k otestování spolehlivosti modelů v obtížných situacích?
Vytvoření větší trénovací sady
Použijte přístup blokování a vytvořte třetí speciální datovou sadu, která bude kurátorovaná tak, aby obsahovala příklady, kdy výstup vašich modelů musí splňovat prahové hodnoty výkonu.
Při trénbách sledujte náklady. Pokud získáte jakoukoli variabilitu, můžete trénování zastavit.
Před kontrolou vaší práce musíte odpovědět na všechny dotazy.
Pokračovat
Byla tato stránka užitečná?