Search
Křivka učení obvykle popisuje míru porozumění předmětné oblasti v závislosti na délce učení. Učíme-li se něco, pro co máme vlohy, co nám jde jaksi samo od sebe, je křivka učení strmá, neboli míra porozumění velmi rychle stoupne z 0% na téměř 100%. Pokud se naopak učíme něco, co nám vůbec nejde, bývá křivka učení pozvolná (roste jen pomalu) a může začít stagnovat, pokud jsme narazili na své limity.
Podobně je tomu i ve strojovém učení. Křivka učení zde představuje závislost prediktivní přesnosti modelu na velikosti trénovací sady (na počtu příkladů, které jsou předloženy k učení). Umožňuje posoudit, zda zvolený model datům dobře odpovídá, kolik dat je potřeba k dostatečně dobrému naučení modelu a zda se vyplatí ještě nějaká data do trénovací sady přidávat.
Vytvořme proces:
iris
Process Control/Loop/Create Learning Curve
Split Validation
X-Validation
training_ratio
Create Learning Curve
Performance
Utility/Logging/Log
value
fraction
performance
Po spuštění procesu by v Results Perspective měla být záložka Log obsahující naměření data. Je možné ji zobrazit v Plot view.
Log
Plot view
Loop
Loop.iteration
Log to Data
Advanced Plots
Decision Tree
Apply Model
LearningCurve
iteration
Apply model
Join
key attributes