Conjuntos de datos: división del conjunto de datos original
Todos los buenos proyectos de ingeniería de software dedican una energía considerable a probar sus apps. Del mismo modo, te recomendamos que pruebes tu
modelo de IA para determinar la exactitud de sus predicciones.
Conjuntos de entrenamiento, validación y prueba
Debes probar un modelo con un conjunto de ejemplos diferente de los que se usaron para entrenarlo. Como aprenderás un poco más adelante, realizar pruebas en diferentes ejemplos es una prueba más sólida de la aptitud de tu modelo que realizar pruebas en el mismo conjunto de ejemplos.
¿De dónde obtienes esos diferentes ejemplos? Tradicionalmente, en el aprendizaje automático,
se obtienen esos diferentes ejemplos dividiendo el conjunto de datos original. Por lo tanto, podrías
imaginar que debes dividir el conjunto de datos original en dos subconjuntos:
Supongamos que entrenas en el conjunto de entrenamiento y evalúas en el conjunto de prueba
en varias rondas. En cada ronda, usas los resultados del conjunto de pruebas para guiarte sobre cómo actualizar los hiperparámetros y el conjunto de características. ¿Puedes ver algo erróneo en este enfoque? Elige una sola respuesta.
Realizar varias rondas de este procedimiento podría provocar que el modelo se ajuste de forma implícita a las peculiaridades del conjunto de prueba.
Sí. Cuanto más uses el mismo conjunto de prueba,
más probabilidades habrá de que el modelo se ajuste estrechamente al conjunto de prueba.
Al igual que un profesor que “enseña para la prueba”, el modelo se ajusta, de forma inadvertida, al conjunto de prueba, lo que podría dificultar que se ajuste a los datos del mundo real.
Este enfoque está bien. Después de todo, entrenas con el conjunto de entrenamiento y evalúas con un conjunto de prueba independiente.
En realidad, hay un problema sutil aquí. Piensa en lo que podría ir mal de a poco.
Este enfoque es ineficiente en términos de procesamiento. No cambies los hiperparámetros ni los conjuntos de atributos después de cada ronda de pruebas.
Las pruebas frecuentes son costosas, pero fundamentales. Sin embargo, las pruebas frecuentes son mucho menos costosas que la capacitación adicional. La optimización de los hiperparámetros y el conjunto de atributos puede mejorar de forma significativa la calidad del modelo, por lo que siempre debes reservar tiempo y recursos computacionales para trabajar en ellos.
Dividir el conjunto de datos en dos conjuntos es una buena idea, pero un mejor enfoque es dividirlo en tres subconjuntos.
Además del conjunto de entrenamiento y el conjunto de prueba, el tercer subconjunto es el siguiente:
Un conjunto de validación realiza las pruebas iniciales en el modelo a medida que se entrena.
Figura 9: Una división mucho mejor.
Usa el conjunto de validación para evaluar los resultados del conjunto de entrenamiento.
Después de que el uso repetido del conjunto de validación sugiera que tu modelo hace buenas predicciones, usa el conjunto de prueba para verificarlo.
En la siguiente figura, se sugiere este flujo de trabajo.
En la figura, “Ajustar modelo” significa ajustar cualquier aspecto del modelo, desde cambiar la tasa de aprendizaje, agregar o quitar atributos, hasta diseñar un modelo completamente nuevo desde cero.
Al final de este flujo de trabajo, eliges el modelo que tiene el mejor rendimiento en el conjunto de pruebas.
Figura 10: Un buen flujo de trabajo para el desarrollo y las pruebas
El flujo de trabajo que se muestra en la Figura 10 es óptimo, pero incluso con ese flujo de trabajo, los conjuntos de prueba y los conjuntos de validación siguen “desgastándose” con el uso repetido.
Es decir, cuanto más uses los mismos datos para tomar decisiones sobre la configuración de los hiperparámetros o sobre otras mejoras del modelo, menos confianza tendrás en que el modelo haga buenas predicciones sobre datos nuevos.
Por este motivo, es una buena idea recopilar más datos para “actualizar” el conjunto de pruebas y el conjunto de validación. Comenzar de nuevo es un gran restablecimiento.
Ejercicio: Comprueba tu intuición
Reprobaste todos los ejemplos del conjunto de datos y los dividiste en conjuntos de entrenamiento, validación y prueba. Sin embargo, el valor de pérdida en tu conjunto de prueba es tan asombrosamente bajo
que sospechas que se trata de un error. ¿Qué podría haber salido mal?
Muchos de los ejemplos del conjunto de prueba son duplicados de ejemplos del conjunto de entrenamiento.
Sí. Esto puede ser un problema en un conjunto de datos con muchos ejemplos redundantes. Te recomendamos que borres los ejemplos duplicados del conjunto de pruebas antes de realizar la prueba.
El entrenamiento y las pruebas no son deterministas. A veces, por casualidad,
la pérdida de la prueba es increíblemente baja. Vuelve a ejecutar la prueba para confirmar el resultado.
Aunque la pérdida varía un poco en cada ejecución, no debería variar tanto como para que creas que ganaste la lotería del aprendizaje automático.
Por casualidad, el conjunto de prueba contenía ejemplos en los que el
modelo tuvo un buen rendimiento.
Los ejemplos se mezclaron bien, por lo que es muy poco probable que esto suceda.
Problemas adicionales con las prácticas guiadas
Como se ilustra en la pregunta anterior, los ejemplos duplicados pueden afectar la evaluación del modelo.
Después de dividir un conjunto de datos en conjuntos de entrenamiento, validación y prueba, borra los ejemplos del conjunto de validación o de prueba que sean duplicados de los ejemplos del conjunto de entrenamiento. La única prueba justa de un modelo es con ejemplos nuevos, no con duplicados.
Por ejemplo, considera un modelo que predice si un correo electrónico es spam, usando el asunto, el cuerpo del correo electrónico y la dirección de correo electrónico del remitente como atributos.
Supongamos que divides los datos en conjuntos de entrenamiento y de prueba, con una división de 80/20.
Después del entrenamiento, el modelo logra una precisión del 99% en el conjunto de entrenamiento y en el conjunto de prueba. Es probable que esperes una precisión más baja en el conjunto de prueba, por lo que vuelves a mirar los datos y descubres que muchos de los ejemplos del conjunto de prueba son duplicados de ejemplos del conjunto de entrenamiento. El problema es que no limpiaste las entradas duplicadas del mismo correo electrónico de spam de tu base de datos de entrada antes de dividir los datos. Entrenaste con algunos de tus datos de prueba de forma accidental.
En resumen, un buen conjunto de pruebas o de validación cumple con todos los siguientes criterios:
Suficientemente grande para generar resultados de pruebas estadísticamente significativos.
Representativo del conjunto de datos en su totalidad. En otras palabras, no elijas un conjunto de prueba con características diferentes a las del conjunto de entrenamiento.
Representan los datos del mundo real que el modelo encontrará como parte de su propósito comercial.
Cero ejemplos duplicados en el conjunto de entrenamiento.
Ejercicios: Comprueba tu comprensión
Dado un solo conjunto de datos con una cantidad fija de ejemplos,
¿cuál de las siguientes afirmaciones es verdadera?
Cada ejemplo que se usa para probar el modelo es un ejemplo menos que se usa
para entrenarlo.
Dividir los ejemplos en conjuntos de entrenamiento, prueba y validación es un juego de suma cero.
Esta es la compensación central.
La cantidad de ejemplos en el conjunto de prueba debe ser mayor que la cantidad de ejemplos en el conjunto de validación.
En teoría, el conjunto de validación y la prueba deben contener la misma cantidad de ejemplos o casi la misma.
La cantidad de ejemplos del conjunto de prueba debe ser mayor que la cantidad de ejemplos del conjunto de validación o entrenamiento.
La cantidad de ejemplos en el conjunto de entrenamiento suele ser mayor que la cantidad de ejemplos en el conjunto de validación o prueba. Sin embargo, no hay requisitos de porcentaje para los diferentes conjuntos.
Supongamos que tu conjunto de prueba contiene suficientes ejemplos para realizar una prueba con importancia estadística. Además, las pruebas con el conjunto de prueba generan una pérdida baja. Sin embargo, el modelo tuvo un rendimiento deficiente en el mundo real. ¿Qué deberías hacer?
Determina en qué se diferencia el conjunto de datos original de los datos reales.
Sí. Incluso los mejores conjuntos de datos son solo un resumen de datos reales. La verdad fundamental subyacente tiende a cambiar con el tiempo. Aunque tu conjunto de prueba coincidió con tu conjunto de entrenamiento lo suficientemente bien como para sugerir una buena calidad del modelo, es probable que tu conjunto de datos no coincida de manera adecuada con los datos del mundo real.
Es posible que debas volver a entrenar y realizar pruebas en un conjunto de datos nuevo.
Vuelve a realizar la prueba en el mismo conjunto de pruebas. Es posible que los resultados de la prueba sean una anomalía.
Aunque volver a realizar la prueba podría generar resultados ligeramente diferentes, esta táctica probablemente no sea muy útil.
¿Cuántos ejemplos debe contener el conjunto de pruebas?
Suficientes ejemplos para generar una prueba con importancia estadística
Sí. ¿Cuántos ejemplos son? Deberás experimentar.
Al menos el 15% del conjunto de datos original
El 15% puede ser una cantidad suficiente de ejemplos o no.
[null,null,["Última actualización: 2024-11-14 (UTC)"],[[["Machine learning models should be tested against a separate dataset, called the test set, to ensure accurate predictions on unseen data."],["It's recommended to split the dataset into three subsets: training, validation, and test sets, with the validation set used for initial testing during training and the test set used for final evaluation."],["The validation and test sets can \"wear out\" with repeated use, requiring fresh data to maintain reliable evaluation results."],["A good test set is statistically significant, representative of the dataset and real-world data, and contains no duplicates from the training set."],["It's crucial to address discrepancies between the dataset used for training and testing and the real-world data the model will encounter to achieve satisfactory real-world performance."]]],[]]
