Cuando su entorno de trabajo tiene un entendimiento claro, se puede usar lo que sabe aplicar la herramienta para determinar el problema que hay que resolver y el algoritmo práctico. Algunos factores que influyen en su modelo de elección de la siguiente manera:
• si el modelo responde a los objetivos de negocio
de la cantidad de datos pre-procesamiento necesidades modelo •
• ¿Qué tan exacto modelo
de cómo la interpretabilidad del modelo •
la rapidez con la velocidad de operación • Modelo: modelo estructural cuánto tiempo? Modelo para predecir cuánto tiempo?
• ¿Cómo modelo de escalabilidad de
un criterio importante para la complejidad del modelo es una selección del algoritmo de influencia. En general, un modelo más complejo tiene las siguientes características:
• Se basa en más características del aprendizaje y la predicción (por ejemplo, con los diez en lugar de dos funciones para predecir el objetivo)
• Depende de las características de ingeniería más compleja ( Por ejemplo, usando una función polinómica, características interactivas, o componentes principales)
• tiene mayor sobrecarga de cálculo (por ejemplo, requieren un árbol de bosque aleatorio que consiste en 100, en lugar de un solo árbol)
además, el mismo algoritmos de aprendizaje automático se pueden seleccionar en base al número de parámetros y algunos parámetros súper vuelven más complicadas. Por ejemplo:
• modelo de regresión puede tener más características, o términos polinomiales y términos de interacción.
• árbol de decisión puede tener mayor o menor profundidad.
El mismo algoritmo se convierte en aumentos más complejas la probabilidad de ocurrencia de exceso de montaje.
03/19/2020 14:29:02
