Ausgewogenheit

„ Ausgewogen“ ist ein Begriff, der beschreibt, wie gut die Trainingsdaten für ein Modell das Dataset als Ganzes darstellen.

Wenn die Plattform bewertet, wie ausgewogen ein Modell ist, sucht sie im Wesentlichen nach Beschriftungsverzerrungen , die ein Ungleichgewicht zwischen den Trainingsdaten und dem Dataset als Ganzes verursachen können.

Dazu wird ein Labeling Bias-Modell verwendet, das die überprüften und nicht überprüften Daten vergleicht, um sicherzustellen, dass die beschrifteten Daten repräsentativ für das gesamte Dataset sind. Wenn die Daten nicht repräsentativ sind, können Modellleistungsmaßnahmen irreführend und potenziell unzuverlässig sein.

Beschriftungsverzerrung ist in der Regel das Ergebnis eines Ungleichgewichts der Trainingsmodi, die zum Zuweisen von Beschriftungen verwendet werden, insbesondere wenn zu viel „Textsuche“ und zu wenig „Machine“ verwendet wird.

Der Trainingsmodus „ Neuausgleich“ zeigt Nachrichten an, die im überprüften Satz unterrepräsentiert sind. Das Beschriften von Beispielen in diesem Modus hilft, Unausgewogenheit im Dataset schnell zu beheben.