해당 자료는 "모두를 위한 머신러닝/딥러닝 강의"를 보고 개인적으로 정리한 내용입니다.
hunkim.github.io
Evaluation을 잘 하는 방법
- 전체 데이터셋 중 70% 정도만 학습에 사용
- 나머지 30%는 테스트 셋으로 구성하여 품질 평가
Validation set
- training set으로 학습한 모델에서 조금 더 정교하게 튜닝하기 위한 data set
- cost 함수 등에서 사용되는 상수(람다, learning rate 등)을 튜닝
Online learning
- training set이 큰 경우 한번에 학습할 경우 메모리 등 리소스가 많이 필요
- training set을 여러개로 분리하여 학습
- 한번 학습한 결과는 유지하고, 새로운 데이터를 입력하여 추가 학습
'도서,강의 요약 > 모두를 위한 머신러닝' 카테고리의 다른 글
| ML lab 07-1: training/test dataset, learning rate, normalization (0) | 2020.06.26 |
|---|---|
| lec 07-1: 학습 rate, Overfitting, 그리고 일반화 (Regularization) (0) | 2020.06.15 |
| ML lab 06-2: TensorFlow로 Fancy Softmax Classification의 구현하기 (0) | 2020.06.11 |
| ML lab 06-1: TensorFlow로 Softmax Classification의 구현하기 (0) | 2020.06.03 |
| ML lec 6-2: Softmax classifier 의 cost함수 (0) | 2020.05.30 |
