Isang araw ng pagsusuri sa remote ML / GenAI internship. Tatlong video. Isang patakaran. Hindi patunay ang training score. Ano ang aking napanatili: 1. Pagsipi Itago ang mga row. Natututo ang training. Tinutukoy ang validation. Ang test ay isang tapat na score. Huwag magtutok sa test set. Ang k-fold ay parehong ideya, nakapag-ikot. 2. Pagkakatugma Underfit: masama sa train at test. Masyadong simpleng. Overfit: mahusay sa train, mahina sa test. Ito ay na-memorize ang takdang-aralin. 3. Loss Ang loss ay ang pagkakamali: actual minus predicted. I-square ito upang hindi maging negatibo. I-average ito. Kailangan ng isang numero ang MSE. Kailangan ng isang klase ang cross-entropy. Ang mga parameter ay umuunlad upang maliitín ang pagkakamali. Ang tatlong lock: Ang loss ay nagpapakita kung gaano kalabo ng model. Ang validation ay nagpapakita kung nag-generalize ba ang galaw na iyon. Ang overfit ay isang maliit na pagkakamali sa train at malaking pagkakamali sa test. Tanong na mayroon pa akong: kung may dalawang model na may magkatulad na test loss, pipiliin ko ba ang mas simpleng isa?
𝐈𝐛𝐧𝐦𝐚𝐫𝐳𝐮𝐤I-share
Source:Ipakita ang original
Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito.
Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.