Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Contoh: Melihat Kurva Pelatihan dan Validasi
<a name="train-valid-curve"></a>

Biasanya, Anda membagi data tempat Anda melatih model menjadi kumpulan data pelatihan dan validasi. Anda menggunakan set pelatihan untuk melatih parameter model yang digunakan untuk membuat prediksi pada kumpulan data pelatihan. Kemudian Anda menguji seberapa baik model membuat prediksi dengan menghitung prediksi untuk set validasi. Untuk menganalisis kinerja pekerjaan pelatihan, Anda biasanya merencanakan kurva pelatihan terhadap kurva validasi. 

Melihat grafik yang menunjukkan keakuratan untuk set pelatihan dan validasi dari waktu ke waktu dapat membantu Anda meningkatkan kinerja model Anda. Misalnya, jika akurasi pelatihan terus meningkat dari waktu ke waktu, tetapi, pada titik tertentu, akurasi validasi mulai menurun, kemungkinan Anda terlalu cocok dengan model Anda. Untuk mengatasinya, Anda dapat melakukan penyesuaian pada model Anda, seperti meningkatkan [regularisasi](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#regularization).

Untuk contoh ini, Anda dapat menggunakan mage-classification-full-training contoh **I** di bagian **Contoh notebook** pada instance notebook SageMaker AI Anda. Jika Anda tidak memiliki instance SageMaker notebook, buat satu dengan mengikuti petunjuk di[Buat Instans SageMaker Notebook Amazon untuk tutorial](gs-setup-working-env.md). Jika mau, Anda dapat mengikuti bersama dengan [Contoh Klasifikasi Gambar End-to-End Multiclass di buku catatan contoh](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/imageclassification_caltech/Image-classification-fulltraining.html) di. GitHub Anda juga memerlukan bucket Amazon S3 untuk menyimpan data pelatihan dan untuk output model.

**Untuk melihat kurva kesalahan pelatihan dan validasi**

1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker](https://console.aws.amazon.com/sagemaker).

1. Pilih **Notebook**, lalu pilih **instans Notebook**.

1. Pilih instance notebook yang ingin Anda gunakan, lalu pilih **Buka**.

1. Di dasbor untuk instance notebook Anda, pilih **Contoh SageMaker AI**.

1. Perluas bagian **Pengantar Algoritma Amazon**, lalu pilih **Gunakan** di sebelah **mage-classification-fulltrainingI.ipynb**.

1. Pilih **Buat salinan**. SageMaker AI membuat salinan notebook **mage-classification-fulltrainingI.ipynb** yang dapat diedit di instance notebook Anda.

1. Jalankan semua sel di buku catatan hingga bagian **Inferensi**. Anda tidak perlu menerapkan titik akhir atau mendapatkan inferensi untuk contoh ini.

1. Setelah pekerjaan pelatihan dimulai, buka CloudWatch konsol di [https://console.aws.amazon.com/cloudwatch](https://console.aws.amazon.com/cloudwatch).

1. Pilih **Metrik**, lalu pilih**/aws/sagemaker/TrainingJobs**.

1. Pilih **TrainingJobName**.

1. Pada tab **Semua metrik**, pilih metrik **train:akurasi dan **validasi:akurasi**** untuk pekerjaan pelatihan yang Anda buat di buku catatan.

1. Pada grafik, pilih area yang nilainya akan diperbesar oleh metrik. Anda akan melihat sesuatu seperti contoh berikut.  
![\[Memperbesar area dalam grafik.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/train-valid-acc.png)