Memahami Epochs dalam Pembelajaran Mesin

Dalam konteks pembelajaran mesin, zaman merujuk kepada lelaran lengkap ke atas data latihan. Semasa setiap zaman, model dilatih pada keseluruhan set data dan pemberat diselaraskan berdasarkan ralat antara output yang diramalkan dan output sebenar.

Sebagai contoh, jika anda mempunyai set data dengan 1000 contoh dan model anda mempunyai 1000 parameter, maka satu zaman akan melibatkan latihan model pada semua 1000 contoh, menggunakan semua 1000 parameter, untuk meminimumkan fungsi kehilangan.

Bilangan zaman ialah hiperparameter yang boleh dilaraskan dalam proses latihan. Bilangan epok yang optimum bergantung pada kerumitan masalah, saiz set data dan prestasi model. Secara umum, lebih banyak zaman boleh membawa kepada pemasangan berlebihan, di mana model menjadi terlalu khusus kepada data latihan dan tidak digeneralisasikan dengan baik kepada contoh baharu. Sebaliknya, lebih sedikit zaman mungkin tidak membenarkan model belajar cukup daripada data latihan.

Dalam pembelajaran mendalam, zaman sering digunakan bersama-sama dengan kelompok. Kumpulan ialah subset data latihan yang diproses bersama sebelum berat model dikemas kini. Sebagai contoh, jika anda mempunyai set data dengan 1000 contoh, dan anda menggunakan saiz kelompok 32, maka satu zaman akan melibatkan latihan model pada semua 1000 contoh, tetapi memprosesnya dalam kelompok 32 pada satu masa. Ini boleh membantu mengurangkan kos pengiraan latihan, sementara masih membenarkan model belajar daripada keseluruhan set data.