Обучение, оценка и прогнозирование - это три основных этапа обучения модели (в основном в рамках любой ОД) и перемещения модели из исследования / разработки в производство .
Обучение:
Подходящая архитектура ML выбирается в зависимости от проблемы, которую необходимо решить. Оптимизация гиперпараметра выполняется для тонкой настройки модели. Затем модель обучается на данных за определенное количество эпох. Отслеживаются такие показатели, как потери, точность, MSE.
Оценка:
Нам нужно перенести модель в производство. Модель в производстве
этап будет делать только выводы и, следовательно, нам нужна лучшая модель
возможный. Итак, для того, чтобы оценить или протестировать модель на основе некоторых
предопределенные уровни, этап оценки выполняется.
Оценка в основном выполняется на данных, которые являются подмножеством исходного набора данных. Разделение на тренинги и оценки производится во время предварительной обработки данных. Метрики рассчитаны для проверки производительности модели в наборе данных оценки.
Данные оценки никогда не рассматривались моделью, так как она не обучена им. Следовательно, здесь ожидается лучшая производительность модели.
Прогноз:
После тестирования модели мы можем перевести ее в производство. На этапе производства модели делают выводы (прогнозы) только на основе предоставленных им данных. Тренировки здесь не проводятся.
Даже после тщательного осмотра модель имеет тенденцию делать
mispredictions. Следовательно, на стадии производства мы можем получить
интерактивная обратная связь от пользователей о производительности
модель.
Теперь
Но какова цель этапа оценки? Что это должно
делать? Чем это отличается от фазы прогнозирования?
Оценка заключается в том, чтобы сделать модель лучше для большинства случаев, через которые она будет проходить. Предсказания сделаны для проверки других проблем, не связанных с производительностью.