Formas de mejorar una CNN:
Hay dos posibilidades por las cuales su CNN está funcionando con un rendimiento subóptimo, alta varianza y alto sesgo. Llegaría óptimamente a un punto donde el sesgo y la varianza son igualmente bajos.
- ¿Cuáles son las diversas aplicaciones del aprendizaje automático en ciencias de la salud / ciencias de la vida?
- Música: ¿Cómo se puede usar el aprendizaje automático para analizar música?
- Como todos están aprendiendo el aprendizaje automático y el aprendizaje profundo ahora, ¿debería adoptar un enfoque diferente para centrarme en un área específica, como la programación de gráficos o una más general, como el desarrollo de backend?
- Cómo explicar el desempeño de un modelo predictivo a la gerencia que no conoce el aprendizaje automático
- Cómo hacer frente al aprendizaje de la ciencia de datos
Para comprender qué debe hacer para mejorar su red, debe determinar si tiene un alto sesgo o variación. Para hacerlo, mira estos tres números:
- Precisión de referencia (nivel humano)
- Precisión de entrenamiento
- Precisión de prueba
En el caso de una gran variación, la diferencia entre la precisión de su punto de referencia y la precisión del entrenamiento será relativamente pequeña en comparación con la precisión del entrenamiento versus la precisión de la prueba. Esto es cuando su modelo está “sobreajustado” a sus datos de entrenamiento.
Entonces, ¿cómo reduzco la varianza? Puede reducir el sesgo aumentando la precisión de la prueba . Para hacerlo, aquí hay algunas cosas que puedes probar.
- Obtén más datos
- Pruebe la nueva arquitectura de modelo, pruebe algo mejor.
- Disminuya la cantidad de funciones (puede que tenga que hacer esto manualmente)
- Introducir regularización como la regularización L2
- Haga que su red sea menos profunda (menos capas)
- Use menos cantidad de unidades ocultas
- Asegúrese de que su conjunto de datos de prueba y capacitación provenga de la misma distribución.
Por otro lado, si su modelo sufre un ajuste insuficiente, debe reducir el sesgo aumentando la precisión del entrenamiento. Para hacerlo:
- Entrenar más tiempo
- Entrenar un modelo más complejo / profundo
- Obtenga más funciones
- Disminuye la regularización
- Aumento de datos
Aunque estos son cambios relativamente pequeños, pueden hacer una gran diferencia en el rendimiento de su modelo. ¡Buena suerte!