[Machine Learning] Làm thế nào để đánh giá một mô hình Máy Học?

19/05/2021 - 01:37

Câu lạc bộ AI - khoa Khoa học Máy tính trường Đại học Công nghệ Thông tin lần này sẽ mang đến cho các bạn sinh viên về kiến thức của chuyên đề “Làm thế nào để đánh giá một mô hình Máy học?”.

Trong thực tế, một bài toán Machine Learning có thể được giải quyết bởi nhiều phương pháp, cho ra những mô hình khác nhau. Đứng trước nhiều sự lựa chọn, Chúng ta cần phải đánh giá “hiệu năng” của mô hình trên dữ liệu mới (evaluate model performance on unseen data).

Đánh giá mô hình giúp ta trả lời những câu hỏi sau:

- Mô hình đã được huấn luyện thành công hay chưa?

- Mức độ thành công của mô hình tốt đến đâu?

- Khi nào nên dừng quá trình huấn luyện?

- Khi nào nên cập nhật mô hình?

Việc đánh giá mô hình thường được thực hiện trên dữ liệu mà mô hình chưa từng được học – trên validation set và test set. Những bài toán khác nhau sẽ có những tiêu chí đánh giá khác nhau, vì vậy cần phải xác định rõ thứ tự ưu tiên của các tiêu chí cho việc đánh giá mô hình. Bên cạnh đó, đối với những tiêu chí phụ thuộc vào nhau, tức nếu cải thiện “hiệu năng” ở tiêu chí A thì tiêu chí B sẽ có “hiệu năng” thấp, cần phải đánh đổi (tradeoff) giữa các tiêu chí, thì chúng ta cần sử dụng các độ đo (metric) nhằm thuận tiện hơn cho việc đánh giá mô hình.

Vậy làm thế nào để có thể chọn ra tiêu chí phù hợp để đánh giá một mô hình Máy học bất kỳ?