[code2seq] repeat "perfect storm"

[natalymr]

[code2seq] repeat "perfect storm"

[natalymr]

На маленьком репозитории 18.6, на большом репозитории - 9.0
Почему при увеличении данных могла упасть точность?

Мои гипотезы:

• распределение данных в маленьком датасете было проще, чем распределение данных в большом => проверить
  • рандомно взять из большого датасета то же количество данных, что и в маленьком
  • 3 эпохи - 5.4 (batch size = 16, на большом val, взяв первые 219 коммитов)
  • 15 эпох - 8.76 (batch size = 16, на большом val, взяв первые 219 коммитов)
  • 15 эпох - 4.52 (batch size = 16, на большом val)
  • 5 эпох - 4.94 (batch size = 1, на большом val, взяв первые 219 коммитов)
  • 14 эпох - 10.09 (batch size = 1, на большом val, взяв первые 219 коммитов)
  • 14 эпох - 4.88 (batch size = 1, на большом val)
  • на модели, обученной на маленьком датасете, прогнать val большого
  • 12 эпоха
    • маленький val = 15.61
    • большой val = 6.05
    • большой val (взяли первые 300 коммитов) = 13.80
  • на модели, обученной на большом датасете, прогнать val маленького
  • 7 эпоха
    • маленький val = 13.69
    • большой val = 7.01
    • большой val (взяли первые 300 коммитов) = 12.58
• сваливаемся в локальным экстремум, нужно подобрать скорость обучения
• нужен больший batch size (кажется, одно и то же с предыдущим)

[natalymr]

Гипотезы Поварова:

• давайте разрежем данные по количеству измененных функций и будем обучаться для каждого из такого случаев отдельно (подробности здесь #13)

[natalymr]

Гипотезы Брыксина:

• нужна глобальная проверка на некотором рандомном множестве репозиториев
  • apache/hadoop
    точность - 3.8
    там надо убрать "contributed by" в каждом коммите и проверить еще раз
  • apache/dubbo
  • еще репозитории
• внимательно смотреть на данные, потому что может быть мусор

немного перекликается с гипотезой Поварова (если большие коммиты плохие, то будем считать их мусором и не работать с ними)

• придумать способ оценки качества коммитов и брать коммиты только с высоким качеством (:woman-shrugging: как)