Ի՞նչ սխալի շեմը պետք է օգտագործել ուսուցումը դադարեցնելու համար։

Մոդելի ուսուցման դադարեցման սխալի շեմը չի հանդիսանում ֆիքսված արժեք և կախված է կոնկրետ առաջադրանքից, տվյալներից և մոդելի որակական պահանջներից: Սովորաբար օգտագործվում են հետևյալ մոտեցումները.

• Վալիդացիայի սխալ: Ուսուցումը դադարում է, երբ վալիդացիոն հավաքածուի սխալը դադարում է բարելավվել (առաջին կանգնեցում, early stopping): Սա կանխում է գերապատկերմանությունը:
• Սխալի արժեք: Եթե բիզնես պահանջներ կան, կարող է սահմանվել կոնկրետ սխալի շեմ (օրինակ, ճշգրտություն > 90% կամ MSE < 0.01):
• Համեմատական բարելավում: Ուսուցումը դադարում է, եթե Epoch-ների միջև սխալի բարելավումը փոքր է նշված շեմից (օրինակ, պակաս է 0.001):

Օրինակ՝ Keras-ում early stopping-ի օգտագործման օրինակ:

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])

Այսպիսով, սխալի շեմը ավելի շատ հիմնված է սխալի դինամիկայի դիտարկման և մոդելի պահանջների վրա, քան ֆիքսված թիվ։