Héctor tenía razón, pero aquí hay algunos enfoques adicionales:
1. Use tres niveles de validación cruzada: entrenar / probar / sintonizar
2. Utilice la selección de características: reducir el tamaño de su espacio de características ayudará si el clasificador está siendo confundido por características ruidosas (suponiendo que las características que elija mantener sean buenas para discriminar entre sus clases)
- ¿Preferiría que una novela sobre la era medieval fuera históricamente precisa y llena de conceptos verificables o fácilmente legible pero de hecho escasa?
- Aprendizaje profundo: ¿Una versión suave de unidades lineales rectificadas funciona mejor o peor que una no lineal?
- ¿Puede la red neuronal convolucional reconocer un objeto en cualquier condición?
- Las entidades biológicas inconscientes que simplemente reaccionan automáticamente a su entorno han evolucionado y se han vuelto autoconscientes. ¿Qué impide que AI lo haga?
- ¿Las redes de cápsulas reemplazarán a las redes neuronales?
3. Dependiendo del algoritmo que esté utilizando, optimice sus parámetros (también conocido como SVM – costo, gamma)
4. Aumente el tamaño de su conjunto de datos de entrenamiento. En la visión por computadora, esto puede ser un problema porque las imágenes son grandes y, dependiendo del algoritmo que esté utilizando, es posible que la memoria lo limite.
5. Asegúrese de tener una gran cantidad de ejemplos positivos en su conjunto de datos de entrenamiento
6. Normalice sus datos: por ejemplo, si está utilizando un núcleo lineal con una máquina de vectores de soporte, la normalización de sus datos a la longitud 1 tiene implicaciones geométricas que hacen que el problema sea más fácil de resolver (los valores del núcleo representan el coseno de los ángulos entre la entidad vectores). [1]
[1] http://www-connex.lip6.fr/~amini…
