ML.NET modelinizi geliştirme

ML.NET modelinizi geliştirmeyi öğrenin.

Sorunu yeniden çerçevele

Bazen modeli geliştirmenin modeli eğitmek için kullanılan verilerle veya tekniklerle hiçbir ilgisi olmayabilir. Bunun yerine, yanlış soru soruluyor olabilir. Soruna farklı açılardan bakmayı göz önünde bulundurun ve soruyu iyileştirmek için gizli göstergeleri ve gizli ilişkileri ayıklamak için verilerden yararlanın.

Daha fazla veri örneği sağlayın

Eğitim algoritmaları, tıpkı insanlar gibi, ne kadar çok eğitim alırsa, o kadar iyi performans gösterme olasılığı artar. Model performansını geliştirmenin bir yolu, algoritmalara daha fazla eğitim veri örneği sağlamaktır. Ne kadar çok veri öğrenirse, doğru şekilde tanımlayabildiği durumlar da o kadar fazla olur.

Verilere bağlam ekleme

Tek bir veri noktasının anlamını yorumlamak zor olabilir. Veri noktaları etrafında bağlam oluşturmak, algoritmaların yanı sıra konu uzmanlarının daha iyi kararlar vermesine yardımcı olur. Örneğin, bir evin üç yatak odası olması, fiyatının iyi bir göstergesi değildir. Ancak bağlam eklerseniz ve şimdi ortalama yaşın 38 olduğu büyük bir metropol alanının dışındaki bir banliyö mahallesinde olduğunu biliyorsanız, ortalama hane halkı geliri 80.000 ABD dolarıdır ve okullar ilk 20. yüzdebirlik dilimde yer alırsa algoritma, kararlarını temel almak için daha fazla bilgiye sahiptir. Bu bağlamın tümü, makine öğrenmesi modeline giriş olarak özellik olarak eklenebilir.

Anlamlı veriler ve özellikler kullanma

Daha fazla veri örneği ve özellik modelin doğruluğunu artırmaya yardımcı olsa da, tüm veriler ve özellikler anlamlı olmadığından kirlilik de oluşturabilir. Bu nedenle, algoritma tarafından alınan kararları en çok etkileyen özelliklerin hangileri olduğunu anlamak önemlidir. Permütasyon Özelliği Önem Derecesi (PFI) gibi tekniklerin kullanılması, bu önemli özellikleri tanımlamaya yardımcı olur ve modeli açıklamaya yardımcı olmakla kalmaz, aynı zamanda eğitim sürecine giren gürültülü özelliklerin miktarını azaltmak için çıkışı özellik seçim yöntemi olarak da kullanır.

PFI kullanma hakkında daha fazla bilgi için bkz. Permütasyon Özelliği Önem Derecesikullanarak model tahminlerini açıklama.

Çapraz doğrulama

Çapraz doğrulama, verileri birkaç bölüme bölen ve bu bölümlerde birden çok algoritma eğiten bir eğitim ve model değerlendirme tekniğidir. Bu teknik, eğitim sürecindeki verileri tutarak modelin sağlamlığını artırır. Veri kısıtlanmış ortamlarda, görünmeyen gözlemlerde performansı artırmanın yanı sıra, daha küçük bir veri kümesine sahip modelleri eğitmek için etkili bir araç olabilir.

Daha fazla bilgi için bakınız: ML.NET'te çapraz doğrulamanın nasıl kullanılacağı hakkında.

Hiper parametre ayarlama

Makine öğrenmesi modellerini eğitmak yinelemeli ve keşif amaçlı bir süreçtir. Örneğin, K-Ortalamalar algoritmasını kullanarak bir modeli eğitirken en uygun küme sayısı nedir? Yanıt, verilerin yapısı gibi birçok faktöre bağlıdır. Bu sayıyı bulmak için k için farklı değerlerle denemeler yapılması ve ardından en iyi değerin hangisi olduğunu belirlemek için performansın değerlendirilmesi gerekir. En uygun modeli bulmak için eğitim sürecine yol gösteren parametreleri ayarlama uygulaması hiper parametre ayarlama olarak bilinir.

Farklı bir algoritma seçin

Regresyon ve sınıflandırma gibi makine öğrenmesi görevleri çeşitli algoritma uygulamaları içerir. Çözmeye çalıştığınız sorun ve verilerinizin yapılandırılma şekli geçerli algoritmaya uygun olmayabilir. Böyle bir durumda, verilerinizden daha iyi öğrenip öğrenmediğini görmek için göreviniz için farklı bir algoritma kullanmayı göz önünde bulundurun.

Aşağıdaki bağlantı,hangi algoritmanın seçileceğine ilişkin daha fazla kılavuz sağlar.