पिछले अध्याय

सीखना घटता है

28 डायस और बिस्किट का निदान करना: लर्निंग कर्व्स

हमने त्रुटियों के पृथक्करण से बचने योग्य पूर्वाग्रह और बिखराव में कई दृष्टिकोणों की जांच की। हमने त्रुटियों के इष्टतम अनुपात का मूल्यांकन करके, एल्गोरिथम के प्रशिक्षण नमूने पर त्रुटियों की गणना करके और सत्यापन नमूने पर किया। आइए एक और अधिक जानकारीपूर्ण दृष्टिकोण पर चर्चा करें: वक्र ग्राफ़ सीखना।
लर्निंग कर्व्स के ग्राफ, प्रशिक्षण नमूना उदाहरणों की संख्या में त्रुटि के हिस्से पर निर्भर हैं।

जैसे-जैसे प्रशिक्षण नमूने का आकार बढ़ता है, सत्यापन नमूने में त्रुटि कम होनी चाहिए।
हम अक्सर "त्रुटियों के वांछित हिस्से" पर ध्यान केंद्रित करेंगे जो हमें उम्मीद है कि अंततः हमारे एल्गोरिथ्म तक पहुंच जाएगा। उदाहरण के लिए:

• अगर हम मनुष्य के लिए सुलभ गुणवत्ता के स्तर को प्राप्त करने की आशा करते हैं, तो मानवीय त्रुटियों का हिस्सा "त्रुटियों का वांछित हिस्सा" बन जाना चाहिए।
• यदि सीखने के एल्गोरिथ्म का उपयोग कुछ उत्पाद (जैसे कि बिल्ली-छवि प्रदाता) में किया जाता है, तो हमें इस बात की समझ हो सकती है कि आपको किस स्तर की गुणवत्ता प्राप्त करने की आवश्यकता है ताकि उपयोगकर्ताओं को सबसे अधिक लाभ हो
• यदि आप लंबे समय से किसी महत्वपूर्ण एप्लिकेशन पर काम कर रहे हैं, तो आपको इस बात की उचित समझ हो सकती है कि आप अगली तिमाही / वर्ष में क्या प्रगति कर सकते हैं।

हमारे सीखने की अवस्था में वांछित गुणवत्ता स्तर जोड़ें:

आप सत्यापन नमूने में लाल त्रुटि वक्र को नेत्रहीन रूप से एक्सट्रपलेट कर सकते हैं और मान सकते हैं कि आप अधिक डेटा जोड़कर वांछित गुणवत्ता स्तर के कितने करीब पहुंच सकते हैं। चित्र में दिखाए गए उदाहरण में, ऐसा लगता है कि प्रशिक्षण के नमूने के आकार को दोगुना करने से गुणवत्ता का वांछित स्तर प्राप्त होगा।
हालांकि, यदि सत्यापन नमूने की त्रुटि के अंश की वक्र एक पठार पर पहुंच गई है (यानी, एब्सिस्सा अक्ष के समानांतर एक सीधी रेखा में बदल गई है), यह तुरंत इंगित करता है कि अतिरिक्त डेटा जोड़ने से लक्ष्य प्राप्त करने में मदद नहीं मिलेगी।

लर्निंग कर्व पर एक नज़र इस प्रकार आप महीनों तक खर्च करने से बच सकती है जितना कि दो बार प्रशिक्षण डेटा इकट्ठा करने से पता चलता है कि इसे जोड़ने से मदद नहीं मिलती है।
इस दृष्टिकोण की कमियों में से एक यह है कि यदि आप केवल सत्यापन नमूने में त्रुटि वक्र को देखते हैं, तो यह एक्सट्रपलेट करना और सटीक भविष्यवाणी करना मुश्किल हो सकता है कि यदि आप अधिक डेटा जोड़ते हैं तो लाल वक्र कैसे व्यवहार करेगा। इसलिए, एक और अतिरिक्त ग्राफ है जो त्रुटियों के अनुपात पर अतिरिक्त प्रशिक्षण डेटा के प्रभाव का आकलन करने में मदद कर सकता है: एक सीखने की त्रुटि।

29 सीखने की त्रुटियों की अनुसूची

सत्यापन (और परीक्षण) नमूनों में त्रुटियां घटनी चाहिए क्योंकि प्रशिक्षण नमूना बढ़ता है। लेकिन प्रशिक्षण नमूने में, डेटा जोड़ने में त्रुटि आमतौर पर बढ़ती है।

आइए एक उदाहरण के साथ इस आशय का वर्णन करें। मान लीजिए कि आपके प्रशिक्षण नमूने में केवल 2 उदाहरण हैं: बिल्लियों के साथ एक तस्वीर और बिल्लियों के बिना। इस मामले में, सीखने का एल्गोरिथ्म आसानी से प्रशिक्षण नमूने के दोनों उदाहरणों को याद कर सकता है और प्रशिक्षण नमूने पर 0% त्रुटि दिखा सकता है। भले ही दोनों प्रशिक्षण उदाहरणों को गलत तरीके से लेबल किया गया हो, एल्गोरिथ्म आसानी से अपनी कक्षाओं को याद रखेगा।

अब कल्पना करें कि आपके प्रशिक्षण सेट में 100 उदाहरण हैं। मान लीजिए कि उदाहरणों की एक निश्चित संख्या को गलत तरीके से वर्गीकृत किया गया है, या कुछ उदाहरणों में एक कक्षा स्थापित करना असंभव है, उदाहरण के लिए, धुंधली छवियों में, जब कोई व्यक्ति यह भी निर्धारित नहीं कर सकता है कि बिल्ली छवि में मौजूद है या नहीं। मान लीजिए कि सीखने का एल्गोरिथ्म अभी भी प्रशिक्षण नमूने के अधिकांश उदाहरणों को "याद" करता है, लेकिन अब 100% की सटीकता प्राप्त करना अधिक कठिन है। प्रशिक्षण के नमूने को 2 से 100 उदाहरणों तक बढ़ाते हुए, आप पाएंगे कि प्रशिक्षण नमूने में एल्गोरिथ्म की सटीकता धीरे-धीरे कम हो जाएगी।

अंत में, मान लीजिए कि आपके प्रशिक्षण सेट में 10,000 उदाहरण हैं। इस मामले में, एल्गोरिथम के लिए सभी उदाहरणों को आदर्श रूप से वर्गीकृत करना कठिन हो जाता है, खासकर यदि प्रशिक्षण सेट में धुंधली छवियां और वर्गीकरण त्रुटियां होती हैं। इस प्रकार, आपका एल्गोरिथ्म इस तरह के प्रशिक्षण नमूने पर बदतर काम करेगा।

आइए अपने पिछले वाले में एक लर्निंग एरर ग्राफ जोड़ें।

आप देख सकते हैं कि प्रशिक्षण नमूना में वृद्धि के साथ नीला "लर्निंग एरर्स" वक्र बढ़ता है। इसके अलावा, एक लर्निंग एल्गोरिथ्म आमतौर पर एक सत्यापन में प्रशिक्षण नमूने में बेहतर गुणवत्ता दिखाता है; इस प्रकार, सत्यापन नमूने में लाल त्रुटि वक्र प्रशिक्षण नमूने में नीले त्रुटि वक्र के ऊपर सख्ती से स्थित है।

इसके बाद, आइए चर्चा करें कि इन रेखांकन की व्याख्या कैसे करें।

विस्तार