A menudo encuentra efectivas las siguientes técnicas al ajustar algoritmos de ML:
- Más y más alta calidad (con mínimo error) de datos de entrenamiento. A menudo encontrarás más datos que un algoritmo más inteligente. Por lo tanto, debe buscar una forma inteligente de crear datos de capacitación.
- La ingeniería de características es una parte crítica de la optimización en la que necesita pasar la mayor parte de su tiempo para limpiar / normalizar los datos de entrenamiento, eliminar el ruido y explorar y elegir las características más importantes para sus modelos.
- Elegir los modelos correctos cuya función de aprendizaje puede modelar su espacio de datos. A menudo, también es mejor combinar muchos modelos en lugar de usar un solo modelo.
- Por supuesto, el ajuste fino de los parámetros internos de cada modelo, así como la construcción de la arquitectura adecuada para combinar muchos modelos con coeficientes correctos y funciones de combinación óptimas, también es fundamental.
Puede encontrar útil el siguiente documento para pensar de manera más estratégica sobre la optimización de los modelos ML:
Algunas cosas útiles que debe saber sobre el aprendizaje automático
- ¿Es mejor aprender estructuras de datos y algoritmos en C ++ o Java?
- Cómo demostrar la corrección de un algoritmo de búsqueda lineal para el ejercicio 2.1-3 en CLRS
- ¿Cómo funciona 'Un algoritmo neuronal de estilo artístico'?
- Cómo enviar una matriz unidimensional a una función y tener esa misma matriz (posición en la memoria) convertida en una matriz bidimensional en C ++
- ¿Qué son P, NP, NP-complete y NP-hard?
