Milyen hibahatárt használjunk a tanulás leállításához?

A modell tréningjének leállításához használt hibahatár nem fix érték, és a konkrét feladattól, adatoktól és a modell minőségi követelményeitől függ. Általában a következő megközelítéseket alkalmazzák:

• Validációs hiba: A tréning akkor áll meg, amikor a validációs halmazon mért hiba nem javul tovább (early stopping). Ez megakadályozza a túlillesztést.
• Hibaérték: Ha üzleti követelmények vannak, meghatározható egy konkrét hibahatár (pl. pontosság > 90% vagy MSE < 0.01).
• Relatív javulás: A tréning akkor áll meg, ha az epochok közötti hiba javulása kisebb egy meghatározott küszöbnél (pl. kevesebb, mint 0.001).

Keras példakód az early stopping használatára:

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])

Így a hibahatár inkább egy olyan kritérium, amely a hiba dinamikájának megfigyelésén és a modell követelményein alapul, nem pedig egy fix szám.