Leer una curva de pérdida
Por qué importa Una ejecución de entrenamiento imprime una pérdida tras cada pasada por los datos. Saber cuándo dejó de mejorar te dice cuándo parar de entrenar.
Un registro de entrenamiento suele tener dos números por época (una pasada por los datos): la pérdida en los datos de entrenamiento, y la pérdida en unos datos de validación reservados con los que el modelo nunca entrena. La pérdida de entrenamiento casi siempre sigue bajando. La de validación baja, y luego muchas veces vuelve a subir: el modelo ha empezado a memorizar sus datos de entrenamiento en vez de aprender el patrón.
Época: una pasada completa por los datos de entrenamiento.
El mejor momento para parar es la época en la que la pérdida de validación es la más baja. np.argmin encuentra la posición del valor más pequeño.
Resumen Vigila la pérdida de validación, no la de entrenamiento. Su punto más bajo es tu mejor modelo.
Palabras y símbolos de esta lección
- array
- un bloque de números de NumPy, todos del mismo tipo, que hace las cuentas sobre cada elemento a la vez
- época
- una pasada completa por los datos de entrenamiento
train_loss y val_loss están dados (épocas 1 a 15). Pon en best_epoch el número de época (contando desde 1) con la pérdida de validación más baja, y dibuja las dos curvas sobre ax con las etiquetas "train" y "validation", en ese orden.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.