سيكون التعلم الآلي أبسط بكثير إذا كانت كل منحنيات الخسارة تبدو على هذا النحو في المرة الأولى التي تدرّبت فيها على النموذج:
الشكل 20. منحنى خسارة مثالي
غالبًا ما يكون من الصعب تفسير منحنيات الخسارة. استخدِم فطرتك بشأن منحنيات الخسارة لحل التمارين الواردة في هذه الصفحة.
التمرين 1: منحنى الخسارة المذبذب
الشكل 21. منحنى الخسارة المتذبذبة
ما هي الإجراءاتالثلاثة التي يمكنك اتّخاذها لمحاولة تحسين منحنى الخسارة
المعروض في الشكل 21؟
قلِّل مجموعة التدريب إلى عدد صغير من الأمثلة الموثوق بها.
على الرغم من أنّ هذه الطريقة تبدو مصطنعة، إلا أنّها في الواقع
فكرة جيدة. بافتراض أنّ النموذج يتقارب مع مجموعة صغيرة من
الأمثلة الموثوق بها، يمكنك بعد ذلك إضافة المزيد من الأمثلة تدريجيًا،
وربما اكتشاف الأمثلة التي تتسبب في تذبذُب منحنى الخسارة.
زيادة معدّل التعلّم
بشكل عام، تجنَّب زيادة معدّل التعلّم عندما يشير منحنى التعلّم
للنموذج إلى حدوث مشكلة.
تحقَّق من بياناتك مقارنةً بمخطّط بيانات لرصد الأمثلة السيئة، ثمّ
أزِل الأمثلة السيئة من مجموعة التدريب.
نعم، هذه ممارسة جيدة لجميع الطُرز.
خفض معدّل التعلّم
نعم، غالبًا ما يكون تقليل معدّل التعلّم فكرة جيدة عند تصحيح أخطاء
مشكلة التدريب.
زيادة عدد الأمثلة في مجموعة التدريب
هذه فكرة مغرية، ولكن من غير المرجّح أن تؤدي إلى حلّ
المشكلة.
التمرين 2 منحنى الخسارة مع قفزة حادة
الشكل 22. ارتفاع حاد في الخسارة
أي بيانَين من العبارة التالية يحدّدان الأسباب المُحتمَلة
للخسارة المتزايدة الموضّحة في الشكل 22؟
معدّل التعلّم منخفض جدًا.
قد يؤدي معدّل التعلّم المنخفض جدًا إلى زيادة وقت التدريب، ولكنه ليس هو سبب منحنى الخسارة الغريب.
معدّل التنظيم مرتفع جدًا.
صحيح أنّ التّنظيم العالي جدًا يمكن أن يمنع النموذج من
التقارب، ولكنّه لن يؤدّي إلى منحنى الخسارة الغريب
الموضّح في الشكل 22.
تحتوي بيانات الإدخال على عدد كبير من القيم الشاذة.
في بعض الأحيان، قد يحتوي أحد الدفعات على
الكثير من القيم الشاذة بسبب ترتيب الدفعات بشكل غير صحيح.
تحتوي بيانات الإدخال على قيمة NaN واحدة أو أكثر، على سبيل المثال، قيمة
ناجمة عن قسمة بصفر.
وهذا أكثر شيوعًا ممّا تتوقّع.
التمرين 3 تباين خسارة الاختبار عن خسارة التدريب
الشكل 23. ارتفاع حاد في حالات فقدان القيمة الصالحة
أي عبارة من العبارات التالية تحدِّد بشكل أفضل سبب اختلاف منحنيات الخسارة في مجموعتَي التدريب
والاختبار؟
معدّل التعلّم مرتفع جدًا.
إذا كان معدّل التعلّم مرتفعًا جدًا، من المرجّح ألا يتصرّف منحنى الخسارة لمجموعة التدريب
بالطريقة التي تصرّف بها.
يُجري النموذج عملية تعلُّم زائد على مجموعة التدريب.
نعم، على الأرجح. إليك بعض الحلول المحتملة:
اجعل النموذج أبسط، ربما من خلال تقليل عدد
السمات.
زيادة معدّل التسوية
تأكَّد من أنّ مجموعة التدريب ومجموعة الاختبار متساويتان إحصائيًا.
التمرين 4 توقُّف منحنى الخسارة
الشكل 24. فقدان عشوائي بعد عدد معيّن من الخطوات
أي عبارة من العبارات التالية هي التفسير الأكثر احتمالًا
لمنحنى الخسارة المفاجئ المعروض في الشكل 24؟
تحتوي مجموعة التدريب على عدد كبير جدًا من الميزات.
من غير المرجّح أن يكون هذا هو السبب.
معدّل التنظيم مرتفع جدًا.
من غير المرجّح أن يكون هذا هو السبب.
تحتوي مجموعة التدريب على تسلسلات متكرّرة من الأمثلة.
هذا احتمال وارد. تأكَّد من ترتيب الأمثلة بشكل عشوائي
بشكل كافٍ.
تاريخ التعديل الأخير: 2024-11-14 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2024-11-14 (حسب التوقيت العالمي المتفَّق عليه)"],[[["This document helps you understand and interpret Machine Learning loss curves through a series of exercises and visual examples."],["You will learn how to identify common issues like oscillating loss, exploding loss, overfitting, and erratic behavior in your models."],["Solutions are provided for each exercise, along with explanations for various loss curve patterns."],["Techniques to address these issues are discussed, including adjusting learning rate, cleaning training data, and applying regularization."],["A glossary of key Machine Learning terminology related to loss curves and model training is included for quick reference."]]],[]]