@ Errores
Utilice varios conjuntos de datos de evaluación comparativa (por ejemplo, el Depósito de aprendizaje automático UCI ) para determinar si su algoritmo funciona mejor o peor en comparación con el estado actual de la técnica . Si su algoritmo funciona mal en todos los conjuntos de datos, es probable que su código contenga errores.
@ Ajuste de parámetros
Usando un único conjunto de datos de evaluación comparativa , mide el efecto del cambio de parámetros en el rendimiento. Si solo obtiene un buen rendimiento después de un ajuste extensivo de sus parámetros, esto podría ser una indicación de que su enfoque no es adecuado para la tarea en cuestión. Además, la inestabilidad numérica o la capacidad de respuesta no lineal dentro de los parámetros pueden ser buenos indicadores de dónde mejorar su algoritmo.
@ Enfoque incorrecto
Al resolver un problema práctico (es decir, minería de datos) es importante utilizar una biblioteca de aprendizaje automático . Esto descarta completamente cualquier error y debería aclarar cualquier problema con los parámetros . Solo después de saber qué enfoque (es decir, algoritmo, parámetros, atributos, etc.) funciona mejor para la tarea en cuestión, es posible que desee implementar este enfoque en su propio código.
- ¿Cuál es la mejor manera de aprender el aprendizaje automático, en línea o sin conexión?
- ¿Qué aplicaciones prácticas ve para ejecutar los modelos TensorFlow en un teléfono inteligente?
- ¿Qué es el sesgo y la varianza?
- ¿Hay un LSTM en TensorFlow que procesa un carácter a la vez?
- ¿Aprendizaje automático para predecir valores para t + 1?