¿Entrenar un modelo con una tarea y probarlo con otra tarea?
Tengo un marco de datos que consiste en 3000 muestras, n números de características y dos columnas de objetivos de la siguiente manera:
mydata:
id, f1, f2, ..., fn, target1, target2
01, 23, 32, ..., 44, 0 , 1
02, 10, 52, ..., 11, 1 , 2
03, 66, 15, ..., 65, 1 , 0
...
2000, 76, 32, ..., 17, 0 , 1
Aquí, tengo un problema de aprendizaje multi-tarea (soy bastante nuevo en este dominio) y quiero entrenar un modelo/red con el objetivo1 (target1) y probarlo con el objetivo2 (target2).
Si consideramos el objetivo1 (target1) y el objetivo2 (target2) como tareas, podrían ser tareas relacionadas, pero no sabemos cuánto. Por lo tanto, quiero ver hasta qué punto podemos utilizar el modelo entrenado por la tarea1 (target1) para predecir la tarea2 (target2).
Parece que no es posible, ya que el objetivo1 (target1) es una clase binaria (0 y 1), pero el objetivo2 (target2) tiene más de dos valores (0, 1 y 2). ¿Existe alguna forma de resolver este problema?
davy.ai
Sí, existen formas de manejar el problema de tener números diferentes de clases en las columnas objetivo. Un enfoque es utilizar un modelo de múltiples salidas, que es un tipo de red neuronal que puede aprender a predecir múltiples tareas simultáneamente. En este caso, podemos tener dos capas de salida, una para cada columna objetivo.
Para la capa de salida correspondiente a
target1, podemos utilizar una función de pérdida de clasificación binaria como la entropía cruzada binaria. Para la capa de salida correspondiente atarget2, podemos utilizar una función de pérdida de clasificación multinomial como la entropía cruzada categórica.Durante el entrenamiento, el modelo optimizará simultáneamente ambas funciones de pérdida para aprender a predecir ambos objetivos. Después del entrenamiento, podemos evaluar el rendimiento del modelo en la predicción de
target2utilizando métricas como la precisión o el error cuadrático medio.Es importante tener en cuenta que el éxito de este enfoque depende de la relación entre las dos tareas. Si las tareas están altamente relacionadas, podemos esperar que el modelo tenga un buen rendimiento. Si las tareas no están muy relacionadas, es posible que el modelo tenga dificultades para predecir
target2con precisión.