Hiper parametrelerle modelleri geliştirme
Küçük veri kümelerine sahip basit modeller genellikle tek bir adıma sığdırılabilirken, modelin eğitim verileriyle art arda kullanılması ve çıkışın beklenen etiketle karşılaştırılmasıyla daha büyük veri kümelerinin ve daha karmaşık modellerin uygun olması gerekir. Tahmin yeterince doğruysa modelin eğitilmiş olduğunu düşüneceğiz. Ayarlanmadıysa modeli biraz ayarlayıp tekrar döngüye alıyoruz.
Hiper parametreler, bu döngüler sırasında modelin sığma şeklini değiştiren değerlerdir. Örneğin öğrenme hızı, bir modelin her eğitim döngüsü sırasında ne kadar ayarlanacağını ayarlayan bir hiper parametredir. Yüksek öğrenme oranı, modelin daha hızlı eğitilebileceği anlamına gelir; ancak çok yüksekse, ayarlamalar o kadar büyük olabilir ki model hiçbir zaman "ince ayarlı" olmaz ve en uygun olmaz.
Verileri önceden işleme
Ön işleme, modele geçirilmeden önce verilerinizde yaptığınız değişiklikleri ifade eder. Önceden, ön işlemenin veri kümenizi temizlemeyi içerebileceğini okuduk. Bu önemli olsa da ön işleme, modelin daha kolay kullanabilmesi için verilerinizin biçimini değiştirmeyi de içerebilir. Örneğin, "kırmızı", "turuncu", "sarı", "kireç" ve "yeşil" olarak tanımlanan veriler, bilgisayarlara daha yerel bir biçime dönüştürülürse (kırmızı miktarını ve yeşil miktarını belirten sayılar gibi) daha iyi çalışabilir.
Ölçeklendirme özellikleri
En yaygın ön işleme adımı, özellikleri sıfır ile bir arasında olacak şekilde ölçeklendirmektir. Örneğin, bir bisikletin ağırlığı ve bir kişinin bisiklette kat ettiği mesafe çok farklı iki sayı olabilir, ancak her iki sayıyı da sıfır ile bir arasında ölçeklendirerek modellerin verilerden daha etkili bir şekilde öğrenmesini sağlar.
Kategorileri özellik olarak kullanma
Makine öğrenmesinde "bisiklet", "kaykay" veya "araba" gibi kategorik özellikleri de kullanabilirsiniz. Bu özellikler, tek etkin vektörlerde 0 veya 1 değerle temsil edilir; her olası değer için 0 veya 1 olan vektörler. Örneğin, bisiklet, kaykay ve araba sırasıyla (1,0,0), (0,1,0) ve (0,0,1) olabilir.