Podrían ser muchas cosas, desde un algoritmo mal escrito, un error en su código, no hay suficientes datos de entrenamiento, no hay suficientes épocas de entrenamiento, etc.
Entonces, ¿por dónde empiezas?
Si no está seguro de su algoritmo, intente entrenarlo en datos donde conozca la solución. Conjuntos de datos famosos como MNIST o IRIS son excelentes para la evaluación comparativa y son gratuitos en la web. Busque un conjunto de datos para principiantes que pueda ser menos complejo y de un tipo similar al de sus datos, para ver qué tan bien funciona.
- ¿Qué es una explicación intuitiva para PCA?
- Además de las redes neuronales profundas, ¿existen antecedentes para cálculos largos con una inferencia máxima a posteriori eficiente?
- ¿Qué tan bien funcionará una GTX 1060 en Windows para el aprendizaje profundo?
- ¿Qué modelos CNN necesitan una norma de lote pero son lo suficientemente pequeños como para hacer una prueba muy rápida?
- ¿Cuáles son los requisitos previos para aprender Machine Learning?
Si funciona con datos más simples, tal vez su problema no sea suficiente información de capacitación, o tal vez no sea lo suficientemente diversa. Recuerde que necesita muchos datos según el tipo.
Ahora digamos que su algoritmo no es muy bueno incluso con un conjunto de datos más simple. Bueno, ahora debes pensar en lo que podría estar mal. Para ayudar con esto, necesitaría saber un poco más sobre su arquitectura, ya que una red neuronal será diferente de Kmeans ect.
Si necesita ayuda más específica, busque cualquier error en Google, haga preguntas sobre el desbordamiento de la pila, etc. ¡Eso definitivamente es parte del proceso!