คู่มือนี้จะอธิบายการตรวจสอบข้ามและการทำงานโดยใช้บริการของ AWS
การตรวจสอบข้ามคืออะไร?
การตรวจสอบข้ามช่วยให้นักพัฒนาสามารถเปรียบเทียบโมเดลการเรียนรู้ของเครื่องต่างๆ และเข้าใจการทำงานในชีวิตจริง ช่วยให้ผู้ใช้ทราบว่าโมเดลการเรียนรู้ของเครื่อง (ML) หรือการเรียนรู้เชิงลึก (DL) รุ่นใดจะทำงานได้ดีกว่าสำหรับข้อมูลหรือสถานการณ์เฉพาะอย่างใดอย่างหนึ่ง มีบางสถานการณ์ที่สามารถใช้โมเดลหลายตัวสำหรับชุดข้อมูลเดียว ในที่นี้นักพัฒนาใช้การตรวจสอบข้ามเพื่อให้ได้โมเดลที่เหมาะสมเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด:
การตรวจสอบข้ามทำงานอย่างไร
ในการตรวจสอบโมเดล ML ในชุดข้อมูล ผู้ใช้จำเป็นต้องประเมินคุณลักษณะของโมเดลซึ่งเรียกว่าการฝึกอัลกอริทึม สิ่งที่ต้องตรวจสอบอีกประการหนึ่งคือการประเมินแบบจำลองเพื่อดูว่าทำงานได้ดีเพียงใดและเรียกว่าการทดสอบแบบจำลอง ไม่ใช่ความคิดที่ดีที่จะทดสอบโมเดลกับข้อมูลทั้งหมด อย่างไรก็ตาม เราใช้ข้อมูล 75% สำหรับการฝึกอบรมและ 25% สำหรับการทดสอบเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น การตรวจสอบข้ามจะทำการทดสอบทุกๆ 25% ของข้อมูลเพื่อตรวจสอบว่าบล็อกใดทำงานได้ดีที่สุด:
Amazon SageMaker คืออะไร
การตรวจสอบข้ามใน AWS สามารถทำได้โดยใช้บริการ Amazon SageMaker เนื่องจากได้รับการออกแบบมาเพื่อสร้าง ฝึกฝน และปรับใช้โมเดลแมชชีนเลิร์นนิง ช่วยให้นักวิทยาศาสตร์ข้อมูลและนักพัฒนาสามารถเตรียมข้อมูลสำหรับการสร้างแบบจำลอง ML หรือ DL ที่มีประสิทธิภาพโดยนำความสามารถที่สร้างขึ้นตามวัตถุประสงค์มารวมกัน ความสามารถเหล่านี้มีประโยชน์ในการสร้างแบบจำลองที่เหมาะสมและแม่นยำ ซึ่งจะมีความสามารถในการปรับปรุงเมื่อเวลาผ่านไป:
คุณสมบัติของ Amazon SageMaker
Amazon SageMaker เป็นบริการที่มีการจัดการและไม่ต้องการการจัดการสภาพแวดล้อม ML ต้องการข้อมูลจำนวนมากเพื่อฝึกและสร้างโมเดล ML ดังนั้นจึงเชื่อมต่อกับบริการ Amazon S3 หรือ Amazon Redshift ได้ดีเพื่อรวบรวมข้อมูล ข้อมูลดิบอาจเป็นเรื่องยากที่จะรับข้อมูล ดังนั้นจึงต้องใช้คุณสมบัติในการสร้างแบบจำลองด้วย จากนั้นใช้ข้อมูลในการฝึกโมเดลและทำการทดสอบโดยใช้ข้อมูลทุกๆ 25% เพื่อให้ได้ผลลัพธ์/การคาดการณ์ที่ดีขึ้น:
นั่นคือทั้งหมดที่เกี่ยวกับการตรวจสอบข้ามใน AWS
บทสรุป
การตรวจสอบข้ามเป็นกระบวนการในการรับโมเดลการเรียนรู้ของเครื่องหรือการเรียนรู้เชิงลึกที่เหมาะสมที่สุดสำหรับข้อมูลเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น จะทำการทดสอบสำหรับแต่ละส่วน 25% ของข้อมูลเพื่อทำความเข้าใจว่าบล็อกใดให้เอาต์พุตสูงสุด ทำให้เป็นโมเดลที่เหมาะสม AWS ให้บริการ SageMaker เพื่อดำเนินการตรวจสอบข้ามและสร้างโมเดลแมชชีนเลิร์นนิงบนคลาวด์ คู่มือนี้ได้อธิบายกระบวนการตรวจสอบข้ามและการทำงานใน AWS