Ajuste iterativo

A medida que trabaja con modelos de aprendizaje automático, debe resolver constantemente a varios desafíos que conducirán a resultados ineficaces y defectuosos. O bien, resultados que no están a la altura de sus expectativas. Después de todo, el aprendizaje automático es probabilístico. Por lo tanto, un enfoque típico para mejorar la eficacia de un modelo es utilizar diferentes muestras para el entrenamiento y las pruebas, para reflejar los tipos de desafíos que el modelo enfrentará cuando se use con datos reales. Pruebe el modelo en varias iteraciones, ajuste y vuelva a probar.

En las estadísticas, a menudo se dice que "todos los modelos son incorrectos, pero algunos son útiles". El punto es que los modelos estadísticos siempre contendrán algún grado de error, debido a las variaciones basadas en la probabilidad. En el aprendizaje automático, el objetivo es producir un modelo que sea lo suficientemente correcto como para ser útil, aunque las predicciones o decisiones no sean exactamente correctas o siempre correctas. Un modelo que es útil para su tarea, se describe comúnmente como hábil. Existen grados de habilidad; algunos modelos son más útiles que otros. Mejorar la habilidad de un modelo es el objetivo final del proceso de ajuste iterativo.

Hay muchas maneras de ajustar un modelo de aprendizaje automático. La mayoría de ellos implica entrenar y reentrenar el modelo para que la habilidad aumente gradualmente hasta que se cumplan los requisitos. Del mismo modo, hay muchas maneras de medir la habilidad del modelo sobre el cual recibirá entrenamiento. La conclusión clave en este punto es comprender el proceso de ajuste general, que tiende a seguir este patrón:

Información adicional