Con una capacitación no supervisada, creo que un conjunto de validación no siempre es necesario. Uno mantiene un conjunto de validación durante la capacitación supervisada porque le importan los errores de generalización: lo que importa no es qué tan bien se desempeña su modelo en los datos de capacitación, sino qué tan bien se desempeña en los datos de prueba (sin etiqueta). Con un entrenamiento no supervisado, los datos de prueba sin etiquetar pueden ser parte de su conjunto de entrenamiento.
De cualquier manera, el criterio de detención es el mismo: controla la pérdida y deja de entrenar cuando ya no mejore. Es posible quedar atrapado en una meseta de la que podría salir, así que no se detenga de inmediato (a menos que la pérdida esté empeorando). También considere disminuir la tasa de aprendizaje cuando la pérdida deje de mejorar; a veces puede mejorar aún más con una tasa de aprendizaje menor
- ¿Cuáles son los métodos actuales o estándar de combinación de datos estructurados y no estructurados en redes neuronales convolucionales?
- ¿Cuáles son algunos buenos proyectos en los que un principiante de aprendizaje automático puede trabajar?
- ¿Qué opinas de Keras?
- ¿Es la tasa de falso rechazo (FRR) similar a la tasa de falsos positivos (FPR)? Entonces, si es similar, ¿por qué hay disponibles diferentes definiciones para cada una de ellas?
- El lenguaje de máquina se ha mencionado en todas partes. ¿Qué es en realidad?
