Привет! Добро пожаловать обратно. В моем последнем блоге мы нашли идеальную скорость обучения модели с помощью LRScheduler. Сегодня мы собираемся обучить модель с идеальной скоростью обучения (0,0003) и посмотрим, как это пойдет. Если все пойдет хорошо, мы построим нашу окончательную модель, которая обучена на всем наборе данных.
Эксперимент №1
Я сохранил ту же архитектуру и изменил только скорость обучения с 0,001 на 0,003. Модель выглядела примерно так:
Результаты этой модели были на удивление хорошими. Модель получила точность 93,80%.
Я решил продолжить эту архитектуру модели и обучил модель всему набору данных.
Примерка окончательной модели
Воссоздание поездов и тестовых данных
Здесь я удалил индексацию, чтобы передать весь набор данных в качестве функций и меток в train_test_split()
.
Примерка модели
Я запустил тот же код, что и выше, с небольшими изменениями. Я изменил данные, которые я тренировал и проверял, с train_data
, val_data
на train_data2
, val_data2.
Хммм… наша последняя модель, кажется, работает хуже, чем наша предыдущая, но помните, что мы проверяем модели на двух разных наборах данных проверки. Давайте оценим нашу предыдущую модель на val_data2
и посмотрим, какая модель действительно работает лучше.
Оценка модели
Я проверил точность предыдущей модели в наборе данных val_data2
, и вот результаты
Из этого мы видим, что наша модель3 (которая была подогнана только к части данных) имела точность 21,45%. Мы можем легко сделать вывод, что наша последняя модель - лучшая из двух моделей, которые мы построили сегодня.
Вывод
Хорошо! На этом я закончил этот проект, и теперь у меня есть полностью обученная модель. Надеюсь, вам понравилось читать мои блоги. Пока!