Não há mais suporte para esse navegador.
Atualize o Microsoft Edge para aproveitar os recursos, o suporte técnico e as atualizações de segurança mais recentes.
Quais são os benefícios de normalizar dados?
Tempos de treinamento mais rápidos
Remoção mais precisa de valores ausentes
Identificação de algoritmos preferenciais para treinamento
Um modelo que você está treinando tem um bom desempenho no seu conjunto de treinamento, mas um desempenho ruim em seu conjunto de teste. O que pode estar acontecendo?
Ocorreu um problema de subajuste, e o seu modelo não é preciso o bastante. Você deve continuar o treinamento.
Ocorreu um sobreajuste e seu modelo não está tendo um bom desempenho em novos dados fora do treinamento. Você pode interromper o treinamento mais cedo ou coletar dados mais diversos.
Seu modelo é bom. Você precisa usar seus dados de treinamento para testar seu modelo.
Seu modelo deve ser usado em um aplicativo desafiador, onde você precisa ter um desempenho muito confiável. Qual seria um método apropriado para testar a confiabilidade dos seus modelos em situações difíceis?
Criar um conjunto de treinamento maior
Use o método de hold-out e crie um terceiro conjunto de dados especial, curado para incluir exemplos em que a saída de seus modelos precisa atender aos limites de desempenho.
Fique de olho no seu custo enquanto treina. Se você receber qualquer variabilidade, poderá interromper o treinamento.
É necessário responder a todas as perguntas antes de verificar o trabalho.
Esta página foi útil?