मेरा मॉडल क्यों काम नहीं करता?

यह लेख, लेखक के 20 वर्षों के मशीन लर्निंग अनुभव और पेपर 'How to avoid machine learning pitfalls: a guide for academic researchers' पर आधारित है, उन सामान्य गलतियों को रेखांकित करता है जो मॉडल को प्रोडक्शन में विफल कर देती हैं। पहली, भ्रामक डेटा: छिपे हुए चर (जैसे, कोविड चेस्ट स्कैन में शरीर का ओरिएंटेशन) और स्प्यूरियस कोरिलेशन (जैसे, टैंक इमेज में बैकग्राउंड पिक्सल) मॉडल को अप्रासंगिक पैटर्न सीखने का कारण बनते हैं। एडवरसीरियल अटैक इन स्प्यूरियस कोरिलेशन का फायदा उठाते हैं। लेबलिंग त्रुटियाँ, भले ही कुछ प्रतिशत हों, बेंचमार्क तुलना को विकृत कर सकती हैं। दूसरी, डेटा लीकेज: डेटा-डिपेंडेंट प्रीप्रोसेसिंग (सेंटरिंग, स्केलिंग, फीचर सिलेक्शन, डेटा ऑग्मेंटेशन) को टेस्ट डेटा को विभाजित करने से पहले पूरे डेटासेट पर करने से जानकारी लीक हो जाती है, जिससे परफॉरमेंस बढ़ जाती है। टाइम सीरीज़ फोरकास्टिंग में लुक-अहेड बायस और टेस्ट सेट का इटरेटिव ओवरफिटिंग (टेस्ट सेट पर प्रशिक्षण) सामान्य लीकेज हैं। तीसरी, अनुपयुक्त मीट्रिक्स: असंतुलित डेटा पर एक्यूरेसी का उपयोग भ्रामक हो सकता है। लेखक ML-आधारित विज्ञान के लिए REFORMS चेकलिस्ट और सैलिएंसी मैप्स की जाँच, एकाधिक बेंचमार्क का उपयोग, और उचित डेटा विभाजन सुनिश्चित करने जैसी प्रथाओं की सिफारिश करता है।