Modellek fejlesztése hiperparaméterekkel
A kis adathalmazokkal rendelkező egyszerű modellek gyakran egyetlen lépésben is elférnek, míg a nagyobb adathalmazoknak és az összetettebb modelleknek el kell férniük a modell betanítási adatokkal való ismételt használatával és a kimenet és a várt címke összehasonlításával. Ha az előrejelzés elég pontos, a modellt betanítottnak tekintjük. Ha nem, kissé módosítjuk a modellt, és ismét hurkoljuk.
A hiperparaméterek olyan értékek, amelyek megváltoztatják a modell illeszkedési módját ezekben a ciklusokban. Tanulás sebesség például egy hiperparaméter, amely meghatározza, hogy az egyes betanítási ciklusok során mennyi modell legyen igazítva. A magas tanulási sebesség azt jelenti, hogy a modell gyorsabban tanítható be; de ha túl magas, a beállítások olyan nagyok lehetnek, hogy a modell soha nem "finomhangolt", és nem optimális.
Adatok előfeldolgozása
Az előfeldolgozás az adatok azon módosításait jelenti, mielőtt azokat átadják a modellnek. Korábban már olvashattuk, hogy az előfeldolgozás magában foglalhatja az adathalmaz tisztítását. Bár ez fontos, az előfeldolgozás magában foglalhatja az adatok formátumának módosítását is, így a modell könnyebben használható. A "piros", "narancs", "sárga", "lime" és "zöld" néven leírt adatok például jobban működnek, ha a számítógépeken natívabb formátumot alakítanak át, például a piros értéket és a zöldet jelző számokat.
Skálázási funkciók
A leggyakoribb előfeldolgozási lépés a funkciók skálázása, hogy nulla és egy közé essenek. Például egy kerékpár súlya és a kerékpáron megtett távolság két nagyon különböző szám lehet, de ha mindkét számot nullára skálázjuk, az egyik lehetővé teszi, hogy a modellek hatékonyabban tanuljanak az adatokból.
Kategóriák használata funkciókként
A gépi tanulásban olyan kategorikus funkciókat is használhat, mint a "kerékpár", a "gördeszka" vagy az "autó". Ezeket a jellemzőket 0 vagy 1 érték jelöli egy gyakori vektorban; olyan vektorok, amelyek minden lehetséges értékhez 0 vagy 1 értékkel rendelkeznek. A kerékpár, a gördeszka és az autó például lehet (1,0,0), (0,1,0) és (0,0,1).