عندما تكون قيمة val_accuracy ثابتة ولا تتغير في كل مرة أثناء تدريب النموذج، فهذا قد يشير إلى واحد أو أكثر من الأسباب التالية:
1. عدم تحسن النموذج
إذا كانت val_accuracy لا تتحسن مع كل Epoch دوره، فقد يعني ذلك أن النموذج لم يتعلم أي شيء جديد من البيانات التدريبية، وبالتالي لا يستطيع تحسين أدائه على بيانات التحقق (Validation Set).
2. النموذج يعاني من Underfitting
إذا كانت val_accuracy منخفضة وثابتة، فقد يكون النموذج غير معقد بما يكفي لالتقاط الأنماط في البيانات، مما يؤدي إلى أداء ضعيف على كل من بيانات التدريب والاختبار.
3. النموذج قد يكون قد وصل إلى حالة التشبّع (Plateau)
أحيانًا، بعد عدة Epochs دورات، يصل النموذج إلى حد أقصى في الأداء ولا يستطيع تحسين دقته أكثر من ذلك، مما يؤدي إلى استقرار val_accuracy.
الحلول الممكنة؟
تجربة نموذج أكثر تعقيدًا (زيادة الطبقات أو عدد الخصائص)
ضبط Hyperparameters مثل learning rate أو batch size.
التأكد من صحة تقسيم البيانات بحيث تكون بيانات التدريب (traingin) والاختبار (test) متنوعة.
مراقبة Overfitting أو Underfitting باستخدام training_accuracy و val_accuracy.
عندما تكون قيمة val_accuracy ثابتة ولا تتغير في كل مرة أثناء تدريب النموذج، فهذا قد يشير إلى واحد أو أكثر من الأسباب التالية: 1. عدم تحسن النموذج إذا كانت val_accuracy لا تتحسن مع كل Epoch دوره، فقد يعني ذلك أن النموذج لم يتعلم أي شيء جديد من البيانات التدريبية، وبالتالي لا يستطيع تحسين أدائه على بيانات التحقق (Validation Set). 2. النموذج يعاني من Underfitting إذا كانت val_accuracy منخفضة وثابتة، فقد يكون النموذج غير معقد بما يكفي لالتقاط الأنماط في البيانات، مما يؤدي إلى أداء ضعيف على كل من بيانات التدريب والاختبار. 3. النموذج قد يكون قد وصل إلى حالة التشبّع (Plateau) أحيانًا، بعد عدة Epochs دورات، يصل النموذج إلى حد أقصى في الأداء ولا يستطيع تحسين دقته أكثر من ذلك، مما يؤدي إلى استقرار val_accuracy. الحلول الممكنة؟ تجربة نموذج أكثر تعقيدًا (زيادة الطبقات أو عدد الخصائص) ضبط Hyperparameters مثل learning rate أو batch size. التأكد من صحة تقسيم البيانات بحيث تكون بيانات التدريب (traingin) والاختبار (test) متنوعة. مراقبة Overfitting أو Underfitting باستخدام training_accuracy و val_accuracy.