Tijdperken in machine learning begrijpen

In de context van machinaal leren verwijst een tijdperk naar een volledige iteratie van de trainingsgegevens. Tijdens elk tijdperk wordt het model getraind op de gehele dataset en worden de gewichten aangepast op basis van de fout tussen de voorspelde output en de werkelijke output. Als u bijvoorbeeld een dataset met 1000 voorbeelden heeft en uw model 1000 parameters heeft, dan zou één tijdperk het trainen van het model op alle 1000 voorbeelden inhouden, waarbij alle 1000 parameters worden gebruikt, om de verliesfunctie te minimaliseren. Het aantal tijdperken is een hyperparameter die tijdens het trainingsproces kan worden aangepast. Het optimale aantal tijdperken hangt af van de complexiteit van het probleem, de omvang van de dataset en de prestaties van het model. Over het algemeen kunnen meer tijdperken leiden tot overfitting, waarbij het model te gespecialiseerd raakt voor de trainingsgegevens en niet goed generaliseert naar nieuwe voorbeelden. Aan de andere kant zorgt een kleiner aantal tijdperken er mogelijk niet voor dat het model voldoende leert van de trainingsgegevens. Bij deep learning worden tijdperken vaak gebruikt in combinatie met batches. Een batch is een subset van de trainingsgegevens die samen worden verwerkt voordat de gewichten van het model worden bijgewerkt. Als u bijvoorbeeld een dataset met 1000 voorbeelden heeft en u een batchgrootte van 32 gebruikt, dan zou één tijdperk het trainen van het model op alle 1000 voorbeelden inhouden, maar deze in batches van 32 tegelijk verwerken. Dit kan helpen de rekenkosten van training te verlagen, terwijl het model nog steeds van de gehele dataset kan leren.