Millist vea piiri kasutada õppimise lõpetamiseks?

Mudeltreeningu peatamise vea lävend ei ole fikseeritud väärtus ning sõltub konkreetse ülesande, andmete ja mudeli kvaliteedistandardite nõuetest. Tavaliselt kasutatakse järgmisi lähenemisviise:

• Kinnituse viga: Treening peatub, kui kinnitusandmestiku viga ei parane enam (early stopping). See aitab vältida üleõppimist.
• Vigade väärtus: Kui on ärinõuded, võib määrata konkreetse vea läve (näiteks täpsus > 90% või MSE < 0.01).
• Suhteline paranemine: Treening peatub, kui epohide vaheline vea paranemine on väiksem kui määratud lävend (näiteks vähem kui 0.001).

Keras näide early stopping kasutamisest:

from tensorflow.keras.callbacks import EarlyStopping

early_stop = EarlyStopping(monitor='val_loss', patience=5, min_delta=0.001)
model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=100, callbacks=[early_stop])

Seega on vea lävend pigem kriteerium, mis põhineb vea dünaamika jälgimisel ja mudeli nõuetel, mitte fikseeritud arv.