Lekce 14 - Neuronové sítě - K-fold a refaktoring

V minulé lekci, Neuronové sítě - Tři datové sady a kapacita modelu, jsme se naučili rozdělovat data do tréninkové, vývojové a testovací sady a pracovat s kapacitou modelu.

V této lekci tutoriálu Neuronové sítě - Pokročilé se zaměříme na K-fold validace a provedeme refactoring naší třídy Neuron.

K-fold validace

V minulé lekci jsme si pověděli, proč potřebujeme trénovací, vývojovou a testovací datovou sadu. Bohužel nám kvůli tomu značně kleslo množství dat, na kterých můžeme model natrénovat.

Existuje jeden přístup, který můžeme použít, pokud nechceme vývojová data úplně oddělit od těch trénovacích. Data rozdělujeme do podmnožin stejné velikosti (obvykle používáme pět až sedm podmnožin), takzvaných "folds". Vždy používáme jeden fold jako vývojovou datovou sadu a zbytek dat použijeme k trénování. To znamená, že model budeme trénovat pětkrát, pokud data rozdělíme do pěti podmnožin. Každý model bude používat jiný fold jako vývojovou datovou sadu. První model použije první fold jako vývojovou datovou sadu a zbytek se spojí do trénovací datové sady, druhý model použije druhý fold jako vývojovou datovou sadu a zbytek (včetně prvního) použije pro trénovací, a tak dále. Z každého modelu získáme loss a metriky, které zprůměrujeme, abychom získali skutečné skóre modelu.

...konec náhledu článku...
Pokračuj dál