Kapitel 6. Deine ML-Probleme beheben
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
In dem vorherigen Kapitel haben wir unser erstes Modell trainiert und ausgewertet.
Eine Pipeline auf ein zufriedenstellendes Leistungsniveau zu bringen, ist schwierig und erfordert mehrere Iterationen. Das Ziel dieses Kapitels ist es, dich durch einen solchen Iterationszyklus zu führen. In diesem Kapitel stelle ich dir Tools zum Debuggen von Modellierungspipelines vor und zeige dir, wie du Tests schreibst, um sicherzustellen, dass die Pipelines auch dann noch funktionieren, wenn wir sie bereits verändert haben.
Bewährte Methoden in der Softwarebranche ermutigen Praktiker dazu, ihren Code regelmäßig zu testen, zu validieren und zu überprüfen, insbesondere bei sensiblen Schritten wie der Sicherheit oder dem Parsen von Eingaben. Das sollte bei ML nicht anders sein, denn Fehler in einem Modell sind viel schwieriger zu erkennen als in herkömmlicher Software.
Wir werden einige Tipps geben, mit denen du sicherstellen kannst, dass deine Pipeline robust ist und du sie ausprobieren kannst, ohne dass dein ganzes System fehlschlägt. Aber zuerst wollen wir uns mit den bewährten Methoden für Software beschäftigen!
Bewährte Methoden für Software
Unter wirst du bei den meisten ML-Projekten den Prozess der Modellerstellung, der Analyse der Schwachstellen und deren Behebung mehrfach wiederholen. Wahrscheinlich wirst du auch jeden ...
Get Aufbau von Anwendungen mit maschinellem Lernen now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
