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 es zu optimieren, bis es die erforderliche Leistung erbringt. Dazu gehört die Verbesserung bestimmter Beschriftungen, die nicht wie erwartet funktionieren, die Sicherstellung, dass Sie alle relevanten Beschriftungskonzepte erfasst haben, und die Sicherstellung, dass Ihre Trainingsdaten eine ausgewogene Darstellung des Datasets als Ganzes sind.

Die Plattform ist so konzipiert, dass Benutzer in Bezug auf die Modellleistung vollständig transparent sind und sehr flexibel ist, wenn es darum geht, die Leistung in Bereichen zu verbessern, in denen dies erforderlich ist. Sie möchten für jeden Anwendungsfall zuversichtlich sein, dass Ihr Modell eine genaue Darstellung dessen erfasst, was in Ihrem Dataset enthalten ist – diese Phase des Trainings trägt dazu bei, dass Sie dies sicherstellen können.

Dieser Abschnitt der Wissensdatenbank behandelt die unten beschriebenen Schritte im Detail, beginnt jedoch mit detaillierten Erklärungen zu Präzision und Erinnerung, wie die Validierung funktioniert und wie die verschiedenen Aspekte der Modellleistung verstanden werden.

Wichtige Schritte

• Modellbewertung überprüfen – In diesem Schritt geht es darum, Ihre Modellbewertung in der Validierung zu überprüfen und zu ermitteln, wo nach Ansicht der Plattform Leistungsprobleme mit Ihrem Modell vorliegen könnten, sowie eine Anleitung zur Behebung dieser Probleme zu erhalten. Dieser Abschnitt enthält Details zum Verstehen und Verbessern der Modellleistung.

• Beschriftungsleistung optimieren – In diesem Schritt geht es darum, von der Plattform empfohlene Aktionen auszuführen, um die Leistung Ihrer Beschriftungen zu verbessern. Dazu gehören die Verwendung der Trainingsmodi Beschriftung überprüfen und Fehlende Beschriftungen , mit denen Sie potenzielle Inkonsistenzen in Ihrer Anmerkung beheben können, sowie der Lehrbeschriftungsmodus . Weitere Informationen finden Sie unter Training mit Teach Label (Explore).

• Abdeckung erhöhen – Stellt sicher, dass so viel wie möglich von aussagekräftigen Beschriftungsvorhersagen 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 trägt dazu bei, Anmerkungsverzerrungen zu reduzieren und die Zuverlässigkeit der Vorhersagen zu erhöhen.