Keras: Cara Training Final Machine Learning Model
Sumber: https://machinelearningmastery.com/train-final-machine-learning-model/
Model machine learning yang kita gunakan untuk membuat prediksi pada data baru disebut final model. Mungkin ada kebingungan dalam machine learning yang diterapkan tentang cara melatih final model. Kebingungan ini terlihat pada pemula di bidang ini yang mengajukan pertanyaan seperti:
- Bagaimana cara kita mem-predict menggunakan cross validation?
- Model mana yang perlu kita pilih untuk cross-validation?
- Apakah kita menggunakan model sesudah menyiapkannya untuk training dataset?
Semoga tulisan ini bisa menghapus kebingungan. Dalam posting ini, kita akan menemukan cara menyelesaikan model machine learning kita untuk membuat prediksi pada data baru.
Apakah itu Final Model?
Model final machine learning adalah model yang kita gunakan untuk membuat prediksi pada data baru. Artinya, dengan diberikan contoh input data baru, kita ingin menggunakan model untuk memprediksi output yang diharapkan. Ini mungkin klasifikasi (menetapkan label) atau regresi (nilai riil).
Misalnya, apakah foto itu adalah gambar anjing atau kucing, atau perkiraan jumlah penjualan untuk besok.
Tujuan dari proyek machine learning anda adalah untuk memperoleh final model yang terbaik, di mana "terbaik" didefinisikan oleh:
- Data: historical data yang kita miliki.
- Time: lama waktu yang kita berikan untuk project ini.
- Procedure: langkah data preparation, algoritma, dan pilihan konfigurasi algoritma yang digunakan.
Dalam proyek anda, anda mengumpulkan data, menghabiskan waktu yang anda miliki, dan menemukan prosedur persiapan data, algoritma untuk digunakan, dan cara mengkonfigurasinya.
Final Model adalah puncak dari proses ini, akhirnya yang anda akan anda lakukan adalah untuk mulai benar-benar membuat prediksi.
Fungsi Train/Test Set
Mengapa kita menggunakan set training dan testing?
Men-split training dan testing dari dataset anda adalah salah satu metode untuk dengan cepat mengevaluasi kinerja suatu algoritma pada masalah anda.
Dataset training digunakan untuk menyiapkan model, untuk me-training nya.
Kami berpura-pura set data testing adalah data baru di mana nilai-nilai output ditahan dari algoritma. Kami mengumpulkan prediksi dari model yang terlatih pada input dari dataset uji dan membandingkannya dengan nilai output yang ditahan dari set testing.
Membandingkan prediksi dan keluaran yang ditahan pada dataset testing memungkinkan kita untuk menghitung ukuran kinerja untuk model pada dataset testing. Ini adalah perkiraan keterampilan algoritma yang di training tentang masalah saat membuat prediksi pada data yang tidak terlihat.
Lanjut......
Ketika kita mengevaluasi suatu algoritma, kita sebenarnya mengevaluasi semua langkah dalam prosedur, termasuk bagaimana data pelatihan disiapkan (misalnya scaling), pilihan algoritma (misalnya kNN), dan bagaimana algoritma yang dipilih dikonfigurasi (misalnya k=3).
Ukuran kinerja yang dihitung berdasarkan prediksi yang di peroleh dan ini merupakan perkiraan performance seluruh prosedur.
Kita menggeneralisasi ukuran kinerja dari:
"Keberhasilan prosedur pada set testing"
ke
"Keberhasilan prosedur pada data yang belum pernah dilihat sebelumnya".
Ini merupakan lompatan yang cukup jauh dan mengharuskan:
- Prosedur yang dibuat cukup baik sehingga bisa meng-estimasi mendekati apa yang sebenarnya kita harapkan pada data yang tidak terlihat.
- Pilihan ukuran kinerja secara akurat menangkap apa yang kita minati untuk mengukur dalam prediksi pada data yang tidak terlihat.
- Pilihan persiapan data dipahami dengan baik dan dapat diulang pada data baru, dan dapat dibalik jika prediksi perlu dikembalikan ke skala aslinya atau terkait dengan nilai input asli/sebenarnya.
- Pilihan algoritma yang masuk akal untuk tujuan penggunaan dan lingkungan operasional (mis. Kompleksitas atau bahasa pemrograman yang dipilih).
Cukup berat perjuangan yang dilalui untuk mengestimasi kemampuan keseluruhan prosedur pada testing set.
Bahkan, menggunakan metode training / testing untuk memperkirakan kemampuan prosedur pada data yang tak terlihat seringkali memiliki varian yang tinggi (kecuali kita memiliki banyak data untuk di split). Ini berarti bahwa ketika diulang, itu memberikan hasil yang berbeda, seringkali hasil yang sangat berbeda.
Hasil akhirnya adalah bahwa kita mungkin tidak yakin tentang seberapa baik kinerja prosedur sebenarnya pada data yang tidak terlihat dan bagaimana satu prosedur membandingkan dengan yang lain.
Seringkali, jika waktu mengizinkan, kami lebih suka menggunakan k-fold cross-validation.
Tujuan dari k-fold Cross Validation
Mengapa kita menggunakan k-fold cross validation?
Cross-validation adalah metode lain untuk memperkirakan kemampuan metode pada data yang tidak terlihat. Seperti menggunakan split testing training.
Cross-validation secara sistematis membuat dan mengevaluasi beberapa model pada beberapa himpunan bagian dari dataset.
Ini, pada gilirannya, memberikan populasi ukuran kinerja.
- Kita dapat menghitung rata-rata dari langkah-langkah ini untuk mendapatkan gambaran tentang seberapa baik secara rata-rata tentang kinerja prosedur.
- Kita dapat menghitung standar deviasi dari langkah-langkah ini untuk mendapatkan gambaran tentang seberapa banyak keterampilan prosedur yang diharapkan bervariasi dalam praktiknya.
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.
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.
Baik split train-test dan k-fold cross validation adalah contoh dari metode resampling.
Mengapa kita menggunakan Resampling Method?
Masalah yang dihadapi machine learning adalah kita mencoba memodelkan hal yang tidak diketahui.
Pada pemodelan prediktif, sebuah model ideal adalah yang melakukan yang terbaik saat membuat prediksi pada data baru.
Kita tidak memiliki data baru, jadi kita harus berpura-pura dengan trik statistik.
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.
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.
Setelah kita memiliki kemampuan yang diperkirakan, kita selesai dengan metode resampling.
- Jika anda menggunakan train-test split, itu berarti anda dapat membuang dataset split dan model yang di train.
- Jika anda menggunakan k-fold cross-validation, itu berarti anda dapat membuang semua model yang di train.
Mereka telah menyelesaikan tugas mereka dan tidak lagi dibutuhkan.
Kita sekarang siap untuk mem-finalisasi model kita.
How to Finalize a Model
You finalize a model by applying the chosen machine learning procedure on all of your data.
That’s it.
With the finalized model, you can:
- Save the model for later or operational use.
- Make predictions on new data.
What about the cross-validation models or the train-test datasets?
They’ve been discarded. They are no longer needed. They have served their purpose to help you choose a procedure to finalize. Common Questions
This section lists some common questions you might have. Why not keep the model trained on the training dataset?
and Why not keep the best model from the cross-validation?
You can if you like.
You may save time and effort by reusing one of the models trained during skill estimation.
This can be a big deal if it takes days, weeks, or months to train a model.
Your model will likely perform better when trained on all of the available data than just the subset used to estimate the performance of the model.
This is why we prefer to train the final model on all available data. Won’t the performance of the model trained on all of the data be different?
I think this question drives most of the misunderstanding around model finalization.
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?
You have already answered this question using the resampling procedure.
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.
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.
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. Each time I train the model, I get a different performance score; should I pick the model with the best score?
Machine learning algorithms are stochastic and this behavior of different performance on the same data is to be expected.
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.
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.
I talk more about this in the post:
Embrace Randomness in Machine Learning
Summary
In this post, you discovered how to train a final machine learning model for operational use.
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. Model finalization as training a new model on all available data. Separating the concern of estimating performance from finalizing the model.
Do you have another question or concern about finalizing your model that I have not addressed? Ask in the comments and I will do my best to help
Referensi