Einführung in Verfeinerung

Die dritte Phase und der letzte Schritt des Trainingsprozesses heißt „Verfeinern “. Der Zweck dieser Phase ist es, die Leistung Ihres Modells zu verstehen und sie zu verfeinern, bis es wie erforderlich funktioniert. Dazu gehört die Verbesserung bestimmter Beschriftungen , die nicht wie erwartet funktionieren, um sicherzustellen, dass Sie alle relevanten Beschriftungskonzepte erfasst haben, und um sicherzustellen, dass Ihre Trainingsdaten ein ausgewogenes Abbild des Datasets als Ganzes sind.

Die Plattform ist so konzipiert, dass sie für die Benutzer in Bezug auf die Modellleistung völlig transparent ist und sehr flexibel, wenn es um die Verbesserung der Leistung in Bereichen geht, in denen dies erforderlich ist. Bei jedem Anwendungsfall möchten Sie sicher sein, dass Ihr Modell eine genaue Darstellung der Inhalte in Ihrem Dataset erfasst. Diese Phase des Trainings trägt dazu bei, dass dies der Fall ist.

In diesem Abschnitt der Wissensdatenbank werden die unten beschriebenen Schritte im Detail behandelt, beginnt jedoch mit detaillierten Erklärungen zu Präzision und Wiedererkennung, wie Validierung funktioniert und wie die verschiedenen Aspekte der Modellleistung zu verstehen sind.

Wichtige Schritte

Modellbewertung überprüfen – In diesem Schritt geht es darum, Ihre Modellbewertung in der Validierung zu überprüfen und zu sehen, wo die Plattform denkt, dass es Leistungsprobleme mit Ihrem Modell geben könnte, sowie eine Anleitung, wie diese behoben werden können. Dieser Abschnitt enthält Details zum Verständnis und zur Verbesserung der Modellleistung.

Beschriftungsleistung verfeinern – In diesem Schritt geht es um die Durchführung von Aktionen, die von der Plattform empfohlen werden, um die Leistung Ihrer Beschriftungen zu verbessern. Dazu gehören die Trainingsmodi „Bezeichnung überprüfen“ und „Verpasste Beschriftung“, die Ihnen helfen, potenzielle Inkonsistenzen in Ihren Anmerkungen zu beheben, sowie den Modus „Beschriftung lernen“ (weitere Details finden Sie hier in der Erkundungsphase ).

Abdeckung erhöhen – Dieser Schritt stellt sicher, dass so viel wie möglich von Ihrem Dataset von aussagekräftigen Bezeichnungsvorhersagen abgedeckt wird.

Ausgewogenheit verbessern – In diesem Schritt geht es darum, sicherzustellen, dass Ihre Trainingsdaten eine ausgewogene Darstellung des Datasets als Ganzes sind. Die Verbesserung der Ausgewogenheit im Dataset hilft, die Anmerkungsverzerrung zu reduzieren und die Zuverlässigkeit der getroffenen Vorhersagen zu erhöhen.