Descripción general de la depuración de modelos de AA

Depuras tu modelo de AA para que funcione. Una vez que tu modelo funcione, deberás optimizarla para que esté lista para la producción. En esta sección, se abarcan los pasos de depuración y optimización.

¿En qué se diferencia la depuración de AA?

Antes de analizar la depuración de AA, entendamos qué diferencia a la depuración de los modelos de AA de la depuración de programas típicos. A diferencia de los programas típicos, la baja calidad en un modelo de AA no implica la presencia de un error. En su lugar, para depurar un rendimiento deficiente en un modelo, debes investigar un rango más amplio de causas de las que harías en la programación tradicional.

Por ejemplo, estas son algunas de las causas del mal rendimiento del modelo:

  • Los atributos no tienen poder predictivo.
  • Los hiperparámetros se establecen en valores no óptimos.
  • Los datos contienen errores y anomalías.
  • El código de ingeniería de atributos contiene errores.

La depuración de modelos de AA es complicada según el tiempo que lleva ejecutar los experimentos. Dados los ciclos de iteración más largos y el espacio de errores más grande, la depuración de modelos de AA es un desafío único.

Proceso de desarrollo del modelo de AA

Si sigues las prácticas recomendadas para desarrollar tu modelo de AA, depurarlo será más sencillo. Estas son las prácticas recomendadas:

  1. Comienza con un modelo simple que use uno o dos atributos. Comenzar con un modelo simple y fácil de depurar te ayuda a reducir las posibles causas de un rendimiento deficiente del modelo.
  2. Prueba diferentes atributos y valores de hiperparámetros para que tu modelo funcione. Mantén tu modelo lo más simple posible para simplificar la depuración.
  3. Para optimizar tu modelo, prueba estos cambios de forma iterativa:
    • agregar funciones
    • ajuste de hiperparámetros
    • Aumento de la capacidad del modelo
  4. Después de cada cambio en el modelo, vuelve a revisar las métricas y verifica si la calidad aumenta. De lo contrario, depura tu modelo como se describe en este curso.
  5. A medida que iteras, asegúrate de agregar complejidad a tu modelo de forma gradual y gradual.