Keras: Cara Training Final Machine Learning Model - Revision history

Onnowpurbo: /* Pertanyaan yang Umum */

2019-08-14T08:50:44Z

Pertanyaan yang Umum

Onnowpurbo: /* Summary */

2019-08-14T08:50:28Z

Summary

Onnowpurbo: /* Pertanyaan yang Umum */

2019-08-14T08:20:38Z

Pertanyaan yang Umum

Onnowpurbo: /* Pertanyaan yang Umum */

2019-08-14T08:13:33Z

Pertanyaan yang Umum

Onnowpurbo: /* How to Finalize a Model */

2019-08-14T08:02:25Z

How to Finalize a Model

Onnowpurbo: /* Mengapa kita menggunakan Resampling Method? */

2019-08-14T07:52:11Z

Mengapa kita menggunakan Resampling Method?

Onnowpurbo: /* Why do we use Resampling Methods? */

2019-08-14T05:01:39Z

Why do we use Resampling Methods?

Onnowpurbo: /* Tujuan dari k-fold Cross Validation */

2019-08-14T04:58:46Z

Tujuan dari k-fold Cross Validation

Onnowpurbo: /* The Purpose of k-fold Cross Validation */

2019-08-14T04:55:12Z

The Purpose of k-fold Cross Validation

Onnowpurbo: /* Lanjut...... */

2019-08-14T04:49:29Z

Lanjut......

← Older revision		Revision as of 08:50, 14 August 2019
Line 154:		Line 154:

	Jika ini merupakan hal yang perlu benar-benar di perhatikan, kita dapat membuat beberapa final model dan mengambil nilai rata-rata dari kumpulan prediksi untuk mengurangi variance.		Jika ini merupakan hal yang perlu benar-benar di perhatikan, kita dapat membuat beberapa final model dan mengambil nilai rata-rata dari kumpulan prediksi untuk mengurangi variance.
−
−	~~I talk more about this in the post:~~
−
−	~~Embrace Randomness in Machine Learning~~

	==Summary==		==Summary==

@@ Line 161: / Line 161: @@
 ==Summary==
-In this post, you discovered how to train a final machine learning model for operational use.
+Dalam tulisan ini, kita menemukan cara men-train final model machine learning untuk penggunaan operasional.
-You have overcome obstacles to finalizing your model, such as:
+Anda telah mengatasi hambatan untuk menyelesaikan model anda, seperti:
-* Understanding the goal of resampling procedures such as train-test splits and k-fold cross validation.
+* Memahami tujuan dari prosedur resampling seperti split train-test dan  k-fold cross validation.
-* Model finalization as training a new model on all available data.
+* Finalisasi model sebagai training model baru pada semua data yang tersedia.
-* Separating the concern of estimating performance from finalizing the model.
+* Memisahkan kekhawatiran dalam memperkirakan kinerja dari finalisasi model.
 ==Referensi==

@@ Line 151: / Line 151: @@
 Algoritma machine learning bersifat stokastik dan perilaku kinerja yang berbeda pada data yang sama bisa saja terjadi.
-Resampling methods like repeated train/test or repeated k-fold cross-validation will help to get a handle on how much variance there is in the method.
+Metode resampling seperti repeated train/test atau repeated k-fold cross-validation akan membantu untuk mengetahui seberapa banyak perbedaan yang ada dalam metode ini.
-If it is a real concern, you can create multiple final models and take the mean from an ensemble of predictions in order to reduce the variance.
+Jika ini merupakan hal yang perlu benar-benar di perhatikan, kita dapat membuat beberapa final model dan mengambil nilai rata-rata dari kumpulan prediksi untuk mengurangi variance.
 I talk more about this in the post:

@@ Line 133: / Line 133: @@
 Inilah sebabnya kami memilih untuk melatih final model pada semua data yang tersedia. Apakah kinerja model yang dilatih pada semua data berbeda?
-I think this question drives most of the misunderstanding around model finalization.
+Pertanyaan ini merupakan dasar sebagian besar kesalahpahaman seputar finalisasi model.
 Put another way:
-    If you train a model on all of the available data, then how do you know how well the model will perform?
+* Jika anda men-train sebuah model pada semua data yang tersedia, lalu bagaimana anda tahu seberapa baik kinerja model tersebut?
-You have already answered this question using the resampling procedure.
+Kita telah menjawab pertanyaan ini menggunakan prosedur resampling.
-If well designed, the performance measures you calculate using train-test or k-fold cross validation suitably describe how well the finalized model trained on all available historical data will perform in general.
+Jika dirancang dengan baik, ukuran kinerja yang kita hitung menggunakan train-test atau k-fold cross validation menggambarkan seberapa baik final model yang di train pada semua data historis yang tersedia akan bisa perform secara umum.
-If you used k-fold cross validation, you will have an estimate of how “wrong” (or conversely, how “right”) the model will be on average, and the expected spread of that wrongness or rightness.
+Jika kita menggunakan k-fold cross validation, kita akan memiliki perkiraan seberapa "salah" (atau sebaliknya, seberapa "benar") model kita secara rata-rata, dan penyebaran yang diharapkan dari kesalahan atau kebenaran itu.
-This is why the careful design of your test harness is so absolutely critical in applied machine learning. A more robust test harness will allow you to lean on the estimated performance all the more.
+Inilah sebabnya mengapa desain yang cermat dari test harness pengujian anda sangat penting dalam penerapan machine learning. Test harness yang lebih kuat akan memungkinkan anda untuk bersandar pada kinerja yang diestimasi terlebih lagi.
-Machine learning algorithms are stochastic and this behavior of different performance on the same data is to be expected.
+Setiap kali saya melatih model, saya mendapatkan skor kinerja yang berbeda; apakah saya harus memilih model dengan skor terbaik?
 Resampling methods like repeated train/test or repeated k-fold cross-validation will help to get a handle on how much variance there is in the method.

@@ Line 106: / Line 106: @@
 Kita sekarang siap untuk mem-finalisasi model kita.
-==How to Finalize a Model==
+==Cara mem-finalisasi sebuah Model==
-You finalize a model by applying the chosen machine learning procedure on all of your data.
+Kita mem-finalisasi model dengan menerapkan prosedur machine learning yang dipilih pada semua data kita.
 That’s it.
-With the finalized model, you can:
+Dengan final model, kita dapat:
-* Save the model for later or operational use.
+* Simpan model untuk penggunaan yang akan datang atau penggunaan operasional.
-* Make predictions on new data.
+* Buat prediksi pada data baru.
-What about the cross-validation models or the train-test datasets?
+Bagaimana dengan cross-validation model atau set train-test dataset?
-They’ve been discarded. They are no longer needed. They have served their purpose to help you choose a procedure to finalize.
+Mereka telah dibuang. Mereka tidak lagi dibutuhkan. Mereka telah menyelesaikan tugas mereka untuk membantu kita memilih prosedur untuk di finalisasi.
-This section lists some common questions you might have.
+==Pertanyaan yang Umum==
-and
+* Mengapa tidak menyimpan trained model pada training dataset?
-Why not keep the best model from the cross-validation?
+dan
-You can if you like.
+Kita sebetulnya bisa jika kita mau. Kita dapat menghemat waktu dan tenaga dengan menggunakan kembali salah satu trained model saat selama estimasi kemampuan. Ini bisa menjadi masalah besar jika perlu berhari-hari, berminggu-minggu, atau berbulan-bulan untuk men-train sebuah model.
-You may save time and effort by reusing one of the models trained during skill estimation.
+Model kita kemungkinan akan berkinerja lebih baik ketika di training menggunakan semua data yang tersedia daripada hanya bagian yang digunakan untuk memperkirakan kinerja model.
-This can be a big deal if it takes days, weeks, or months to train a model.
+Inilah sebabnya kami memilih untuk melatih final model pada semua data yang tersedia. Apakah kinerja model yang dilatih pada semua data berbeda?
 I think this question drives most of the misunderstanding around model finalization.
@@ Line 164: / Line 158: @@
      Embrace Randomness in Machine Learning
-Summary
+==Summary==
 In this post, you discovered how to train a final machine learning model for operational use.
@@ Line 170: / Line 164: @@
 You have overcome obstacles to finalizing your model, such as:
-    Understanding the goal of resampling procedures such as train-test splits and k-fold cross validation.
+* Understanding the goal of resampling procedures such as train-test splits and k-fold cross validation.
-    Model finalization as training a new model on all available data.
+* Model finalization as training a new model on all available data.
-    Separating the concern of estimating performance from finalizing the model.
+* Separating the concern of estimating performance from finalizing the model.
 ==Referensi==

@@ Line 93: / Line 93: @@
 Kita tidak memiliki data baru, jadi kita harus berpura-pura dengan trik statistik.
-The train-test split and k-fold cross validation are called resampling methods. Resampling methods are statistical procedures for sampling a dataset and estimating an unknown quantity.
+train-test split dan k-fold cross validation disebut metode resampling. Metode resampling adalah prosedur statistik untuk pengambilan sampel dataset dan memperkirakan jumlah yang tidak diketahui.
-In the case of applied machine learning, we are interested in estimating the skill of a machine learning procedure on unseen data. More specifically, the skill of the predictions made by a machine learning procedure.
+Dalam hal penerapan machine learning, kita tertarik untuk memperkirakan kemampuan prosedur machine learning pada data yang tidak terterlihat. Lebih khusus lagi, kemampuan mem-prediksi yang dibuat oleh prosedur machine learning.
-Once we have the estimated skill, we are finished with the resampling method.
+Setelah kita memiliki kemampuan yang diperkirakan, kita selesai dengan metode resampling.
-    If you are using a train-test split, that means you can discard the split datasets and the trained model.
+* Jika anda menggunakan train-test split, itu berarti anda dapat membuang dataset split dan model yang di train.
-    If you are using k-fold cross-validation, that means you can throw away all of the trained models.
+* Jika anda menggunakan k-fold cross-validation, itu berarti anda dapat membuang semua model yang di train.
-They have served their purpose and are no longer needed.
+Mereka telah menyelesaikan tugas mereka dan tidak lagi dibutuhkan.
-You are now ready to finalize your model.
+Kita sekarang siap untuk mem-finalisasi model kita.
 ==How to Finalize a Model==

@@ Line 85: / Line 85: @@
 Baik split train-test dan k-fold cross validation adalah contoh dari metode resampling.
-===Why do we use Resampling Methods?===
+==Mengapa kita menggunakan Resampling Method?==
-The problem with applied machine learning is that we are trying to model the unknown.
+Masalah yang dihadapi machine learning adalah kita mencoba memodelkan hal yang tidak diketahui.
-On a given predictive modeling problem, the ideal model is one that performs the best when making predictions on new data.
+Pada pemodelan prediktif, sebuah model ideal adalah yang melakukan yang terbaik saat membuat prediksi pada data baru.
-We don’t have new data, so we have to pretend with statistical tricks.
+Kita tidak memiliki data baru, jadi kita harus berpura-pura dengan trik statistik.
 The train-test split and k-fold cross validation are called resampling methods. Resampling methods are statistical procedures for sampling a dataset and estimating an unknown quantity.

@@ Line 66: / Line 66: @@
 Seringkali, jika waktu mengizinkan, kami lebih suka menggunakan k-fold cross-validation.
-===Tujuan dari k-fold Cross Validation===
+==Tujuan dari k-fold Cross Validation==
 Mengapa kita menggunakan k-fold cross validation?
@@ Line 76: / Line 76: @@
 Ini, pada gilirannya, memberikan populasi ukuran kinerja.
-* We can calculate the mean of these measures to get an idea of how well the procedure performs on average.
+* Kita dapat menghitung rata-rata dari langkah-langkah ini untuk mendapatkan gambaran tentang seberapa baik secara rata-rata tentang kinerja prosedur.
-* We can calculate the standard deviation of these measures to get an idea of how much the skill of the procedure is expected to vary in practice.
+* Kita dapat menghitung standar deviasi dari langkah-langkah ini untuk mendapatkan gambaran tentang seberapa banyak keterampilan prosedur yang diharapkan bervariasi dalam praktiknya.
-This is also helpful for providing a more nuanced comparison of one procedure to another when you are trying to choose which algorithm and data preparation procedures to use.
+Ini juga membantu untuk memberikan perbandingan yang lebih bernuansa dari satu prosedur ke prosedur lainnya ketika kita mencoba untuk memilih algoritma dan prosedur persiapan data mana yang akan digunakan.
-Also, this information is invaluable as you can use the mean and spread to give a confidence interval on the expected performance on a machine learning procedure in practice.
+Juga, informasi ini sangat berharga karena kita dapat menggunakan mean dan spread untuk memberikan interval kepercayaan pada kinerja yang diharapkan pada prosedur machine learning di lapangan.
-Both train-test splits and k-fold cross validation are examples of resampling methods.
+Baik split train-test dan k-fold cross validation adalah contoh dari metode resampling.
 ===Why do we use Resampling Methods?===

@@ Line 66: / Line 66: @@
 Seringkali, jika waktu mengizinkan, kami lebih suka menggunakan k-fold cross-validation.
-===The Purpose of k-fold Cross Validation===
+===Tujuan dari k-fold Cross Validation===
-Why do we use k-fold cross validation?
+Mengapa kita menggunakan k-fold cross validation?
-Cross-validation is another method to estimate the skill of a method on unseen data. Like using a train-test split.
+Cross-validation adalah metode lain untuk memperkirakan kemampuan metode pada data yang tidak terlihat. Seperti menggunakan split testing training.
-Cross-validation systematically creates and evaluates multiple models on multiple subsets of the dataset.
+Cross-validation secara sistematis membuat dan mengevaluasi beberapa model pada beberapa himpunan bagian dari dataset.
-This, in turn, provides a population of performance measures.
+Ini, pada gilirannya, memberikan populasi ukuran kinerja.
 * We can calculate the mean of these measures to get an idea of how well the procedure performs on average.