Potencia informática de IA · Departamento editorial de KAEL
Haga que los experimentos de aprendizaje automático sean reproducibles
El resultado de la investigación no es sólo una puntuación, sino también pasos que otros pueden volver a realizar. La reproducibilidad hace que las comparaciones de modelos sean más creíbles y reduce los costos de transferencia de personal.
Documento de contexto completo
Guarde versiones de código, dependencias, semillas aleatorias, parámetros y rangos de datos. Guardar solo el archivo del modelo final a menudo no explica por qué se comportó de manera diferente al último experimento.
condiciones de comparación unificadas
Compare escenarios utilizando el mismo proceso de evaluación y partición de datos. Si las características, el modelo y las métricas de evaluación se modifican simultáneamente, incluso si la puntuación mejora, es difícil saber de dónde viene la mejora.
Explicar las fluctuaciones en los resultados.
Ejecute varias ejecuciones de un proceso donde exista aleatoriedad e informe una variedad de resultados en lugar de solo el mejor. Prestar atención a si el rendimiento es estable suele ser más útil en decisiones de ingeniería posteriores que perseguir un único pico.
