No se trata solo de MXNet, sino de todas las metodologías utilizadas para la predicción. Existen principalmente tres componentes cuando se construye una solución de modelado predictivo.
- Gestión de datos: esto incluye un gran ejercicio de limpieza de datos, imputación de valor perdido, etc.
- Creación de características: esta es la parte más importante del proceso de construcción de modelos. Aquí la experiencia en el tema entra en escena. necesita crear variables a partir de variables existentes que puedan usarse directamente en el modelo. (Ex edad, cliente vintage, patrones de pago etc.)
- Selección de características: estos son los pasos más críticos hacia la precisión del modelo. Selección de características correctas. Hay muchos métodos que ayudan en la selección de características.
Ahora volviendo a su problema, el primer paso para aumentar la precisión de un modelo de aprendizaje profundo es agregar capas (Deténgase una vez que se dé cuenta de que su modelo va a estar demasiado en forma), luego puede continuar con la selección de los métodos de regularización adecuados. (detendrá su modelo para que se ajuste demasiado).
Si eres bueno en Matemáticas, espero que esto te ayude.
- ¿Pueden los algoritmos de aprendizaje profundo predecir los resultados de los partidos deportivos?
- ¿Por qué es tan popular Tensorflow?
- ¿Cuál es el algoritmo de aprendizaje automático más rápido para implementar para la detección de fraudes?
- ¿En qué conjuntos de datos se formó el Sistema de traducción automática neuronal (GNMT) de Google?
- ¿Cuál es la mejor manera de aprender el aprendizaje automático, en línea o sin conexión?
http://www.deeplearningbook.org/…
Espero eso ayude.
