이 페이지는 Cloud Translation API를 통해 번역되었습니다.

손실 곡선 해석

모델을 처음 학습시킬 때 모든 손실 곡선이 이와 같다면 머신러닝이 좀 더 쉽게 사용할 수 있는 것입니다.

머신러닝 모델을 학습시킬 때 이상적인 손실 곡선을 보여주는 도표
손실 곡선은 x축의 학습 단계 수 대비 y축의 손실을 표시합니다. 학습 단계 수가 증가하면 손실이 크게 증가한 다음 기하급수적으로 감소하고, 최종적으로 손실을 최소화하여 최소 손실에 도달합니다.

그러나 실제로는 손실 곡선을 해석하기가 매우 어려울 수 있습니다. 손실 곡선에 대한 이해를 바탕으로 다음 질문에 답하세요.

1. 모델이 학습하지 않음

친구 멜과 여러분은 계속해서 유니콘의 모습을 예측하여 일하고 있습니다. 첫 번째 손실 곡선입니다.

이전 도표와 동일한 축을 갖는 손실 곡선 플롯. 여기서 손실은 평탄화되는 것이 아니라 오히려 증가 및 감소하므로 플롯이 진동합니다.

문제를 설명하고 멜이 어떻게 해결할 수 있는지 설명합니다.

더하기 아이콘을 클릭하여 섹션을 펼치고 답을 확인하세요.

모델이 수렴되지 않습니다. 다음 디버깅 단계를 시도해 보세요.

모델 디버깅의 단계에 따라 특성이 라벨을 예측할 수 있는지 확인합니다.
데이터 스키마와 비교하여 데이터가 잘못된 예를 감지합니다.
이 도표에서와 같이 학습이 불안정해 보이는 경우 모델이 매개변수 공간에서 돌아다니지 않도록 학습률을 줄입니다.
모델이 예측할 수 있는 10가지 예로 데이터 세트를 단순화합니다. 감소한 데이터 세트의 손실이 매우 적습니다. 그런 다음 전체 데이터 세트에서 모델을 계속 디버깅합니다.
모델을 간소화하고 모델이 기준보다 높은 성능을 발휘하도록 합니다. 그런 다음 점진적으로 모델을 복잡하게 만듭니다.

2. 손실이 발생했습니다.

멜은 또 다른 곡선을 보여줍니다. 어떤 문제가 있으며 어떻게 해결해야 하나요? 아래에 답변을 작성하세요.

특정 수의 학습 단계까지 손실이 감소한 후 추가 학습 단계에서 손실이 어떻게 증가하는지 보여주는 손실 곡선 그래프

문제와 멜이 해결할 수 있는 방법 설명:

더하기 아이콘을 클릭하여 섹션을 펼치고 답을 확인하세요.

손실이 많이 증가하는 것은 일반적으로 입력 데이터의 이상 값으로 인해 발생합니다. 가능한 원인은 다음과 같습니다.

입력 데이터의 NaN
비정상적인 데이터로 인한 그라데이션의 과도
0으로 나누기
0 또는 음수의 대수입니다.

과도한 손실을 해결하려면 배치 및 추출된 데이터에서 이상치 데이터가 있는지 확인합니다. 이상이 있는 것으로 보이면 원인을 조사하세요. 그렇지 않고 이상치가 이상 데이터처럼 보이는 경우 데이터를 셔플하여 배치 간에 이상점이 균일하게 분산되도록 하세요.

3. 내 측정항목은 모순됩니다.

멜은 다른 곡선을 그리기를 원합니다. 무엇이 문제이고 어떻게 해결할 수 있을까요? 아래에 답변을 작성하세요.

이미지는 두 개의 플롯을 보여줍니다. 왼쪽의 플롯은 이상적인 손실 곡선을 보여줍니다.
오른쪽의 도표는 학습 단계 수가 증가하더라도 0에 머물고 있는 재현율을 보여줍니다.

문제를 설명하고 멜이 어떻게 해결할 수 있는지 설명합니다.

더하기 아이콘을 클릭해 섹션을 펼치고 답을 확인하세요.

예시의 분류 확률은 양성 분류의 임곗값보다 높지 않으므로 재현율이 0입니다. 이러한 상황은 클래스 불균형이 큰 문제에서 종종 발생합니다. TF Keras와 같은 ML 라이브러리는 일반적으로 기본 기준을 0.5로 사용하여 분류 측정항목을 계산합니다.

다음 단계를 따르세요.

분류 임계값을 낮춥니다.

AUC와 같은 임곗값의 불변 측정항목을 확인합니다.