Debido a que el aprendizaje automático al final del día se trata de generalizar y poder aplicar patrones en los datos de entrenamiento a los nuevos tipos de datos que un sistema puede encontrar. Si entrena su modelo con un conjunto de entrenamiento y lo prueba con ese mismo conjunto, ¡por supuesto, su modelo funcionará bien! Desea evaluar el rendimiento de su modelo en un conjunto de datos que nunca antes había visto.
En muchos sentidos, puede pensarlo como la forma en que aprendemos y estudiamos para un examen. Los profesores a menudo dan exámenes de muestra a los estudiantes para darles la oportunidad de estudiar mejor, pero si el profesor decide tener el mismo examen de muestra que el examen real para los estudiantes, puede apostar que casi todos los estudiantes aprobarán el examen. No sería una medida precisa del conocimiento real del estudiante. La mejor manera de evaluar a los estudiantes es con un examen que sigue la misma estructura, pero que tiene problemas que los estudiantes nunca antes habían visto. Del mismo modo, la mejor manera de probar un modelo de aprendizaje automático es probarlo con datos que el modelo nunca haya visto antes, pero cree que todavía tiene alguna estructura subyacente que el modelo puede aprender a través de la capacitación.
- Mi algoritmo de ML, escrito en Python, está casi completo. Quiero que sea un sitio web. ¿Cuál es la mejor manera de conectar mi script Python a Meteor?
- ¿Cuáles son algunos paquetes de software populares para modelos gráficos?
- ¿Crees que es posible generar historias, pistas dadas, usando técnicas de PNL?
- Al entrenar y probar conjuntos de datos, ¿es posible probar un conjunto de datos completamente diferente del conjunto de entrenamiento?
- ¿Cuáles son las distribuciones bayesianas anteriores y posteriores? ¿Cuáles son sus roles en las redes neuronales?