As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Exemplo: exibir uma curva de treinamento e validação
<a name="train-valid-curve"></a>

Normalmente, você divide os dados nos quais treina seu modelo em conjuntos de dados de treinamento e validação. Você usa o conjunto de treinamento para treinar os parâmetros do modelo que são usados para fazer predições no conjunto de dados de treinamento. Em seguida, você testa as predições de modelo calculando as predições para o conjunto de validação. Para analisar o desempenho de um trabalho de treinamento, em geral, você plota uma curva de treinamento em uma curva de validação. 

A visualização de um gráfico que mostra a precisão dos conjuntos de treinamento e validação ao longo do tempo pode ajudar você a melhorar o desempenho do seu modelo. Por exemplo, se a precisão do treinamento continuar a aumentar com o tempo, mas, em algum momento, a precisão da validação começar a diminuir, é provável que você esteja fazendo o sobreajuste do seu modelo. Para resolver isso, você pode fazer ajustes ao seu modelo, como aumentar a [regularização](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#regularization).

Neste exemplo, você pode usar o mage-classification-full-training exemplo **I** na seção Exemplos de **cadernos** de sua instância de notebook de SageMaker IA. Se você não tiver uma instância de SageMaker notebook, crie uma seguindo as instruções em[Crie uma instância do Amazon SageMaker Notebook para o tutorial](gs-setup-working-env.md). Se preferir, você pode acompanhar o [exemplo de classificação de imagens End-to-End multiclasse](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/imageclassification_caltech/Image-classification-fulltraining.html) no caderno de exemplo em. GitHub Você também precisa de um bucket do Amazon S3 para armazenar os dados de treinamento e para a saída do modelo.

**Para visualizar curvas de erro de treinamento e validação:**

1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker](https://console.aws.amazon.com/sagemaker).

1. Escolha **Caderno** e escolha **Instâncias de caderno**.

1. Escolha a instância de caderno que você deseja usar e selecione **Abrir**.

1. No painel da instância do seu notebook, escolha **Exemplos de SageMaker IA**.

1. Expanda a seção **Introdução aos algoritmos da Amazon** e escolha **Usar** ao lado de **I mage-classification-fulltraining .ipynb**.

1. Escolha **Criar cópia**. SageMaker A IA cria uma cópia editável do notebook **I mage-classification-fulltraining .ipynb** em sua instância de notebook.

1. Execute todas as células no caderno até a seção **Inferência**. Você não precisa implantar um endpoint nem obter inferência para este exemplo.

1. Depois que o trabalho de treinamento começar, abra o CloudWatch console em [https://console.aws.amazon.com/cloudwatch.](https://console.aws.amazon.com/cloudwatch)

1. Escolha **Métricas** e, em seguida, escolha**/aws/sagemaker/TrainingJobs**.

1. Selecione **TrainingJobName**.

1. Na aba **Todas as métricas**, escolha as métricas **train:accuracy** e **validation:accuracy** para o trabalho de treinamento que você criou no caderno.

1. No gráfico, escolha uma área na qual os valores das métricas aumentem. Você deve ver algo parecido com o exemplo a seguir.  
![\[Área ampliada no gráfico.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/train-valid-acc.png)