На этом шаге мы обобщим изученный материал.
Подведем некоторый итог изученному материалу.
- Наиболее распространенными задачами машинного обучения на векторных данных являются: бинарная классификация, многоклассовая классификация и скалярная регрессия:
- в шагах "Краткие итоги" перечисляются наиболее важные выводы, которые вы должны извлечь из примеров решений этих задач;
- при регрессии используются иные функции потерь и метрики, нежели при классификации.
- в шагах "Краткие итоги" перечисляются наиболее важные выводы, которые вы должны извлечь из примеров решений этих задач;
- Исходные данные обычно приходится подвергать предварительной обработке перед передачей в нейронную сеть.
- Когда данные включают в себя признаки со значениями из разных диапазонов, их необходимо предварительно масштабировать.
- В процессе обучения нейронных сетей в какой-то момент появляется эффект переобучения, из-за чего падает качество результатов оценки сети на данных, которые она прежде не видела.
- При небольшом объеме обучающих данных используйте небольшие модели с одним или двумя промежуточными слоями, чтобы избежать серьезного переобучения.
- В том случае, когда данные делятся на большое число категорий, у вас может возникнуть узкое место для информации, если вы слишком сильно ограничите размерность промежуточных слоев.
- При небольшом объеме входных данных надежно оценить качество модели поможет метод перекрестной проверки по K блокам.
Со следующего шага мы займемся формализацией знаний о машинном обучении.
