Şîrovekirina pêşbîniyên ku ji hêla modelek fêrbûna kûr ve têne çêkirin, hêmanek bingehîn a têgihîştina tevgera wê û bidestxistina têgihîştinê ye li ser qalibên bingehîn ên ku ji hêla modelê ve hatine fêr kirin. Di vê qada Zehmetiya Hunerî de, çend teknîk dikarin werin bikar anîn da ku pêşbîniyan şîrove bikin û têgihîştina me ya pêvajoya biryardana modelê zêde bikin.
Teknîkîyek ku bi gelemperî tê bikar anîn ev e ku meriv taybetmendiyên fêrbûyî an nûnertiyên di hundurê modela fêrbûna kûr de xuyang bike. Ev dikare bi vekolîna aktîvkirina neronên kesane an qatên di modelê de were bidestxistin. Mînakî, di torgilokek neuralî ya hevgirtî (CNN) de ku ji bo dabeşkirina wêneyan tê bikar anîn, em dikarin fîlterên fêrbûyî xuya bikin da ku fêm bikin ka model dema ku pêşbîniyan dike li ser kîjan taybetmendiyan disekine. Bi dîtina van parzûnan, em dikarin têgihiştinê bi dest bixin ka kîjan aliyên daneyên têketinê ji bo pêvajoya biryara modelê girîng in.
Teknîkek din a ji bo şîrovekirina pêşbîniyên fêrbûna kûr analîzkirina mekanîzmaya baldariyê ye ku ji hêla modelê ve hatî xebitandin. Mekanîzmayên baldariyê bi gelemperî di modelên rêz-bi-rûzê de têne bikar anîn û dihêle ku model dema ku pêşbîniyan dike li ser beşên taybetî yên rêza têketinê bisekine. Bi dîtina giraniyên baldariyê, em dikarin fam bikin ka kîjan beşên rêzika têketinê model ji nêz ve zêdetir dişoxilîne. Ev dikare bi taybetî di karên hilberandina zimanê xwezayî de bikêrhatî be, ku têgihîştina bala modelê dikare ronahiyê bide strukturên zimanî yên ku ew ji bo çêkirina pêşbîniyan pê ve girêdayî ye.
Wekî din, nexşeyên berbiçav dikarin werin hilberandin da ku herêmên daneyên têketinê yên ku herî zêde bandorê li pêşbîniyên modelê dikin ronî bikin. Nexşeyên balkêşiyê bi girtina gradienta hilberîna modelê ya li gorî daneyên têketinê têne hesibandin. Bi dîtina van gradientan, em dikarin herêmên têketinê yên ku herî zêde beşdarî biryara modelê dibin nas bikin. Ev teknîkî bi taybetî di karên dîtina komputerê de bikêr e, ku ew dikare alîkariya nasîna deverên girîng ên wêneyek ku rê li pêşbîniyek taybetî vedike.
Nêzîktêdayînek din a şîrovekirina pêşbîniyên fêrbûna kûr ev e ku meriv rêbazên şîrovekirina post-hoc ên wekî LIME (Rêvekirinên Model-Agnostîk ên Veguhezbar ên Herêmî) an SHAP (Shapley Additive SHapley) bikar bîne. Armanca van rêbazan ew e ku ji bo pêşbîniyên kesane ravekirinan peyda bikin bi nêzîkbûna behremendiya modela fêrbûna kûr bi karanîna modelek hêsan û şîrovekirî. Bi vekolîna ravekirinên ku ji hêla van rêbazan ve têne peyda kirin, em dikarin li ser faktorên ku ji bo mînakek taybetî bandor li biryara modelê kirine fêhm bikin.
Wekî din, teknîkên texmînkirina nediyariyê dikare were bikar anîn da ku pêbaweriya modelê di pêşbîniyên wê de bihejmêre. Modelên fêrbûna kûr bi gelemperî pêşbîniyên xalê peyda dikin, lê girîng e ku meriv nezelaliya ku bi van pêşbîniyan re têkildar e, bi taybetî di serîlêdanên krîtîk de fam bike. Teknîkên wekî Monte Carlo Dropout an Tora Neuralî ya Bayesian dikarin werin bikar anîn da ku nezelaliyê bi nimûneyên gelek pêşbîniyên bi têketinên xerabûyî an parametreyên modelê ve were texmîn kirin. Bi analîzkirina belavkirina van pêşbîniyan, em dikarin di derheqê nezelaliya modelê de têgihiştinê bi dest bixin û bi potansiyel dozên ku pêşbîniyên modelê kêmtir pêbawer bin nas bikin.
Şirovekirina pêşbîniyên ku ji hêla modelek fêrbûna kûr ve têne çêkirin, rêzek teknîkan vedihewîne, wekî dîtbarkirina taybetmendiyên fêrbûyî, analîzkirina mekanîzmayên balê, çêkirina nexşeyên berbiçav, karanîna rêbazên şîrovekirina post-hoc, û texmînkirina nediyariyê. Van teknîkan di pêvajoya biryargirtinê ya modelên fêrbûna kûr de têgihiştinên hêja peyda dikin û têgihîştina me ya tevgera wan zêde dikin.
Pirs û bersivên din ên vê dawiyê di derbarê Bi fêrbûna kûr pêşve diçin:
- Ma modela tora neuralî ya PyTorch dikare ji bo pêvajoya CPU û GPU heman kodê hebe?
- Çima girîng e ku meriv bi rêkûpêk modelên fêrbûna kûr analîz bike û binirxîne?
- Em çawa dikarin daneyan ji bo analîzê veguherînin forma float?
- Armanca bikaranîna serdeman di fêrbûna kûr de çi ye?
- Em çawa dikarin rastbûn û nirxên windabûnê yên modelek perwerdekirî grafîkî bikin?
- Em çawa dikarin di pêvajoya analîzkirina modelê de daneyên perwerdehiyê û pejirandinê tomar bikin?
- Ji bo perwerdehiya modelek fêrbûna kûr, mezinahiya hevrika pêşniyarkirî çi ye?
- Di hînbûna kûr de gavên ku di analîza modelê de têkildar in çi ne?
- Em çawa dikarin di dema perwerdehiyê de di modelên fêrbûna kûr de pêşî li xapandina bê mebest bigirin?
- Du metrîkên sereke yên ku di analîza modelê de di fêrbûna kûr de têne bikar anîn çi ne?
Di Pêşveçûna bi fêrbûna kûr de bêtir pirs û bersivan bibînin