оценивать качество на проверочных данных (контрольные данные не должны принимать здесь никакого участия), снова изменять ее и повторять цикл, пока качество модели не достигнет желаемого уровня. Вот кое-что из того, что вы должны попробовать:
• добавить прореживание;
• опробовать разные архитектуры, добавлять и удалять слои;
• если модель не очень большая, то добавить L1- и/или L2-регуляризацию;
• опробовать разные гиперпараметры (например, число нейронов на слой или шаг обучения оптимизатора), чтобы найти оптимальные настройки;
• дополнительно можно выполнить цикл курирования данных или конструирования признаков: собрать больше данных и выполнить их маркировку, добавить новые признаки или удалить имеющиеся, которые не кажутся информативными.
Глубокое обучение на Python. 2-е межд. издание
·
Франсуа Шолле
