👣 Model Oluşturma Adımları

🔰 Önemli Bilgiler

Hızlıca sistemi oluştur ve onu tekrarlı olarak eğit

  • dev , test verilerini ve metric oluştur

  • Sistemi hızlıca hazırla, eğitime sok

    • Dandik olabilir, çok düşünme hemen yap

    • Her bir model için 50'den fazla seçenek ve işlem vardır, her birini düşünemek vakit kaybıdır

    • Üzerine çok fazla düşünüp vakit kaybetme, çıkmaza girersin

    • Analizler doğrultusunda ilerlemen gerekir

  • Bias / Variance ve Error Analyses ile öncelikli olacak işlemleri ve sonraki adımını belirle

  • Analiz sonucunda aldığın hata karşısında yapman gerekini uygula

Eğer daha önceden yapılmış bir model eğitimek istiy orsan, makalelere bakıp onların üzerine düşünebilirsin. Özgün bir proje ise direkt olarak modeli oluştur ve test et.

👀 Error Analysis

Yukarıdan aşağı inildikçe hata oranı artar.

Hata Tipi

Açıklama

Bayes optimal error

Yapılabilecek en az hata oranı

Human-level error

İnsanların yapmış olduğu hata oranı

Train Error

Eğitimdeki hata oranı

Dev error

Eğitim kontrolündeki hata oranı

Test error

Etiketlenmemiş veriler üzerinde test edildiğinde hata oranı

⭐ Error Analysis Örneği

Dataset

Contains

Error of the algorithm

Training

940,000 images randomly picked from (900,000 internet images + 60,000 car’s front-facing camera images)

8.8%

Training-Dev

20,000 images randomly picked from (900,000 internet images + 60,000 car’s front-facing camera images)

9.1%

Dev

20,000 images from your car’s front-facing camera

14.3%

Test

20,000 images from the car’s front-facing camera

14.8%

💎 Bias & Avoidable Bias & Variance

Terim

Açıklama

Bias

Train error

Avoidable Bias

Train error - Bayes optimal error

Variance

Train-dev error - Train error

Data missmatch

Dev error - Train-dev error

Degree of overfitting

Test error - Dev error

Train error - Bayes optimal error, train ile bayes optimal error arasındaki hata farkını temsil eder.

🧮 Genel Formül