Сводка
Мы потратили некоторое время на то, как улучшить сложные модели классификации, как с сбалансированными данными, так и с несбалансированных данных. Мы узнали, что мы определяем проблемы и улучшаем наши модели следующим образом:
- Более эффективная оценка типов ошибок, которые совершает модель.
- Изменение баланса данных или изменение способа оценки модели.
- Изменение архитектуры модели.
- Работа с гиперпараметрами.
При работе со сложными данными эксперты по машинному обучению зачастую больше всего времени тратят на изменение архитектуры модели и работу с гиперпараметрами, чтобы улучшить модели. Мы уже видели, как неправильный параметр может снижать или повышать производительность модели. Основным фактором, который это определяет, является размер рассматриваемого набора данных. Зачастую при наличии небольших наборов данных настройка архитектуры и гиперпараметров позволяет значительно усовершенствовать модели. И даже для очень больших наборов данных настройка архитектуры и гиперпараметров помогает немного повысить производительность модели.