Vylepšení modelů pomocí hyperparametrů
Jednoduché modely s malými datovými sadami se často dají vejít do jednoho kroku, zatímco větší datové sady a složitější modely se musí vejít opakovaným použitím modelu s trénovacími daty a porovnáním výstupu s očekávaným popiskem. Pokud je předpověď dostatečně přesná, považujeme model natrénovaný. Pokud ne, upravíme model mírně a znovu smyčku.
Hyperparametry jsou hodnoty, které mění způsob, jakým se model během těchto smyček vejde. Rychlost učení je například hyperparametr, který nastavuje, kolik modelu se během každého trénovacího cyklu upraví. Vysoká rychlost učení znamená, že model lze trénovat rychleji; ale pokud je příliš vysoká, můžou být úpravy tak velké, že model není nikdy "jemně vyladěný" a není optimální.
Předběžné zpracování dat
Předběžné zpracování odkazuje na změny provedené v datech před jejich předáním do modelu. Dříve jsme si přečetli, že předběžné zpracování může zahrnovat čištění vaší datové sady. I když je to důležité, předběžné zpracování může zahrnovat také změnu formátu dat, aby byl model snadněji použitelný. Například data popsaná jako "červená", "oranžová", "žlutá", "lime" a "zelená" můžou fungovat lépe, pokud jsou převedena na nativní formát na počítače, například čísla uvádějící množství červené a množství zelené.
Funkce škálování
Nejběžnějším krokem předběžného zpracování je škálování funkcí tak, aby byly mezi nulou a jednou. Hmotnost kola a vzdálenost, kterou člověk cestuje na kole, může být například dvě velmi různá čísla, ale změnou měřítka obou čísel na nulu a jednu umožníte modelům efektivněji se učit z dat.
Použití kategorií jako funkcí
Ve strojovém učení můžete také použít kategorické funkce, jako je "kolo", "skateboard" nebo "auto". Tyto funkce jsou reprezentovány 0 nebo 1 hodnotami v vektorech typu 1, vektory, které mají hodnotu 0 nebo 1 pro každou možnou hodnotu. Například kolo, skateboard a auto mohou být (1,0,0), (0,1,0) a (0,0,1).