Hari ulasan dalam magang ML / GenAI jarak jauh. Tiga video. Satu aturan. Skor pelatihan bukan bukti. Apa yang saya pertahankan: 1. Seleksi Simpan baris-baris tertentu. Pelatihan belajar. Validasi menyesuaikan. Pengujian memberikan satu skor jujur. Jangan menyesuaikan pada set pengujian. k-fold adalah ide yang sama, diputar. 2. Fit Underfit: buruk pada pelatihan dan pengujian. Terlalu sederhana. Overfit: sangat baik pada pelatihan, buruk pada pengujian. Ini menghafal pekerjaan rumah. 3. Loss Loss adalah kesalahan: aktual dikurangi prediksi. Kuadratkan agar tidak bisa negatif. Rata-ratakan. Angka membutuhkan MSE. Kelas membutuhkan cross-entropy. Parameter bergerak untuk memperkecil kesalahan itu. Tiga kunci: Loss memberi tahu model seberapa salah ia. Validasi memberi tahu saya apakah langkah itu generalisasi. Overfit adalah kesalahan pelatihan kecil dan kesalahan pengujian besar. Pertanyaan yang masih saya miliki: jika dua model memiliki loss pengujian serupa, apakah saya memilih yang lebih sederhana?
𝐈𝐛𝐧𝐦𝐚𝐫𝐳𝐮𝐤Bagikan
Sumber:Tampilkan versi asli
Penafian: Informasi pada halaman ini mungkin telah diperoleh dari pihak ketiga dan tidak mencerminkan pandangan atau opini KuCoin. Konten ini disediakan hanya untuk tujuan informasi umum, tanpa representasi atau jaminan apa pun, dan tidak dapat ditafsirkan sebagai saran keuangan atau investasi. KuCoin tidak bertanggung jawab terhadap segala kesalahan atau kelalaian, atau hasil apa pun yang keluar dari penggunaan informasi ini.
Berinvestasi di aset digital dapat berisiko. Harap mengevaluasi risiko produk dan toleransi risiko Anda secara cermat berdasarkan situasi keuangan Anda sendiri. Untuk informasi lebih lanjut, silakan lihat Ketentuan Penggunaan dan Pengungkapan Risiko.