機器學習會更簡單好用 損失曲線 這顯示您初次訓練模型時的結果：
可惜的是，損失曲線通常很難解讀。使用 瞭解損失曲線，以解決此頁面上的練習。
練習 1：食用損失曲線
您可以採取哪三個做法來改善損失曲線
如圖 21 所示。
依據資料結構定義檢查資料，偵測不良樣本。
然後移除訓練集內的不良範例
是的，所有模型都適用這種做法。
降低學習率。
是的，降低學習率通常建議您在偵錯時
訓練問題
將訓練集減少至少量值得信賴的範例。
雖然這項技術聽起來像是人造的，但其實是不錯的
構思點子假設模型集中在少數一組
再逐步加入更多樣本
也許並找出造成損失曲線
振奮人心
增加訓練集內的樣本數量。
這個想法很有點想法，但不太可能加以修正
問題。
提高學習率。
一般來說，避免提高模型的學習率
學習曲線表示發生問題。
運動 2：急跳曲線的損失曲線
下列兩項敘述何者可能有誤
圖 22 顯示爆炸損失的原因。
輸入資料包含一或多個 NaN，例如值
不會因除數為零
這種情況比您預期的更常見。
輸入資料包含突出的離群值。
有時候，由於批次重組不當，批次可能原因
包含大量離群值
學習率過低。
低學習率可能會增加訓練時間
而不是導致異常損失曲線的原因
正規化率過高。
是，非常高的正則化可能會使模型無法
converging;但這不會導致
如圖 22 所示。
練習 3：與訓練損失的差異
下列哪一項敘述最貼切
導致訓練資料中
測試集？
模型過度配適訓練集。
沒錯，可能是存在的。可能的解決方案：
- 減少模型數量
- 提高正則化率。
- 確認訓練集和測試集具有統計顯著性 。
學習率過高。
如果學習率過高，訓練集的損失曲線
而不是他們的行為
運動 4：損失曲線卡住
下列「任一」陳述式最為可能
圖 24 中顯示的錯誤損失曲線的解釋。
訓練集包含重複的範例。
這有可能。請確保：重組範例
。
正規化率過高。
但這不太可能是問題成因。
訓練集包含太多特徵。
但這不太可能是問題成因。