Memahami Zaman dalam Pembelajaran Mesin

Dalam konteks pembelajaran mesin, suatu zaman mengacu pada iterasi lengkap atas data pelatihan. Selama setiap periode, model dilatih pada seluruh kumpulan data, dan bobot disesuaikan berdasarkan kesalahan antara keluaran yang diprediksi dan keluaran sebenarnya.

Misalnya, jika Anda memiliki kumpulan data dengan 1000 contoh, dan model Anda memiliki 1000 parameter, maka satu epoch akan melibatkan pelatihan model pada 1000 contoh, menggunakan 1000 parameter, untuk meminimalkan fungsi kerugian.

Jumlah epoch adalah hyperparameter yang dapat disesuaikan dalam proses pelatihan. Jumlah epoch yang optimal bergantung pada kompleksitas masalah, ukuran kumpulan data, dan performa model. Secara umum, lebih banyak periode dapat menyebabkan overfitting, yaitu model menjadi terlalu terspesialisasi pada data pelatihan dan tidak dapat digeneralisasi dengan baik pada contoh baru. Di sisi lain, epoch yang lebih sedikit mungkin tidak memungkinkan model untuk belajar cukup dari data pelatihan.

Dalam pembelajaran mendalam, epoch sering digunakan bersama dengan batch. Batch adalah subkumpulan data pelatihan yang diproses bersama sebelum bobot model diperbarui. Misalnya, jika Anda memiliki kumpulan data dengan 1000 contoh, dan Anda menggunakan ukuran batch 32, maka satu periode akan melibatkan pelatihan model pada 1000 contoh, namun memprosesnya dalam batch 32 sekaligus. Hal ini dapat membantu mengurangi biaya komputasi pelatihan, sekaligus tetap memungkinkan model belajar dari keseluruhan kumpulan data.