JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
дополнительные данные или нанять людей для маркирования вручную немар­
кированного набора данных.
4. 
Найти надежную меру успешности работы обученной модели относительно 
цели
. В простых задачах такой мерой может служить степень безошибочность 
предсказаний, но во многих случаях потребуются более сложные предметно­
ориентированные метрики.
5. 
Подготовка процесса оценки
. Необходимо спроектировать процесс оценки качества 
работы модели. В частности, необходимо разбить данные на три однородных, но 
непересекающихся множества: обучающий, проверочный и контрольный наборы 
данных. Важно, чтобы метки проверочного и контрольного наборов данных не по­
пали в обучающие данные. Например, в случае временн
ы
х прогнозов проверочные 
и контрольные данные должны браться из промежутков времени, следующих за 
обучающими данными. Код предварительной обработки данных должен полностью 
охватываться тестами для защиты от подобных ошибок (см. раздел 12.1).
6. 
Векторизация данных
. Данные необходимо преобразовать в тензоры (
n
­мерные 
массивы) — лингва франка моделей машинного обучения в таких фреймворках, 
как TensorFlow.js и TensorFlow. Чтобы приспособить тензоризованные данные 
для конкретных моделей, нередко приходится подвергать их предварительной 
обработке, например нормализации.
7. 
Разработать модель, работающую лучше, чем эталонный подход, основанный про-
сто на здравом смысле
. Разработать модель, работающую лучше, чем эталонная 
версия, не основанная на машинном обучении (наподобие предсказания средних 
по населению показателей для задачи регрессии или наподобие задачи предсказа­
ния последней точки данных в ряде данных), продемонстрировав таким образом, 
что машинное обучение действительно может принести вам пользу. Что не всегда 
так (см. пункт 1).
8. 
Разработать модель с достаточными разрешающими возможностями, причем 
чрезмерно подогнанную к обучающим данным
. Необходимо постепенно масшта­
бировать вверх архитектуру своей модели, подбирая гиперпараметры и вводя 
регуляризацию. Учтите: вносить изменения на основе степени безошибочности 
следует только в проверочный набор данных, необучающий и не контрольный. 
Помните, ваша цель — получить в итоге модель, чрезмерно подогнанную к обу­
чающему набору данных (степень безошибочности на обучающем наборе данных 
чуть лучше, чем на проверочном), а значит, найти грань между недостаточными 
и чрезмерными разрешающими возможностями модели. Лишь после этого сле­
дует использовать регуляризацию и прочие методики сокращения переобучения.
9. 
Подбор гиперпараметров
. При подборе гиперпараметров необходимо отслеживать 
переобучение на проверочном наборе данных. Поскольку гиперпараметры под­
бираются исходя из работы модели на проверочном наборе, их значения будут 
слишком хорошо подходить именно для него, а потому плохо обобщаться на 
прочие данные. Получение несмещенной оценки безошибочности модели после 
подбора гиперпараметров — задача контрольного набора данных. Поэтому при 
подборе гиперпараметров использовать контрольный набор данных нельзя.

---