Temario Lección 16 de 246 · Módulo 1: Python para este curso
Módulo 1: Python para este curso

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
Tu turno

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.