Introduction à affiner

La troisième phase, et la dernière étape du processus d'entraînement, s'appelle «Raffiner». Le but de cette étape est de comprendre les performances de votre modèle et de l'affiner jusqu'à ce qu'il fonctionne comme prévu. Cela implique d' améliorer des étiquettes spécifiques qui ne fonctionnent pas comme prévu, de vous assurer que vous avez capturé tous les concepts d'étiquettes pertinents et de vous assurer que vos données d'entraînement sont une représentation équilibrée de l'ensemble de données dans son ensemble.

La plate-forme est conçue pour être complètement transparente pour les utilisateurs en ce qui concerne les performances du modèle, et très flexible lorsqu'il s'agit d'améliorer les performances dans les domaines qui en ont besoin. Pour tout cas d'utilisation, vous voulez être sûr que votre modèle capture une représentation précise du contenu de votre ensemble de données, et cette phase de l'entraînement vous permet de le faire.

Cette section de la base de connaissances couvrira en détail les étapes décrites ci-dessous, mais commencera par des explications détaillées sur la précision et le rappel, sur le fonctionnement de la validation et sur la façon de comprendre les différents aspects des performances du modèle.

Étapes clés

Examiner la notation du modèle - cette étape consiste à vérifier votre notation de modèle en validation et à voir où la plate-forme pensez qu'il peut y avoir des problèmes de performances avec votre modèle, ainsi que des conseils sur la façon de les résoudre. Cette section comprend des détails sur la compréhension et l'amélioration des performances du modèle.

Affiner les performances des libellés (Fine label performance ) : cette étape consiste à prendre des actions recommandées par la plateforme pour améliorer les performances de vos libellés. Il s'agit notamment de l'utilisation des modes d'entraînement « Vérifier le libellé » (Check label) et « Libellé manquant » (Missed label), qui vous aident à résoudre les incohérences potentielles dans votre annotation, ainsi que du mode « Ensembler le libellé » (voir plus de détails dans la phase d' exploration ici)

Augmenter la couverture - cette étape permet de s'assurer que le plus de détails possible sur votre ensemble de données sont couverts par des prédictions de libellé significatives.

Améliorer l'équilibre (Upload balancer) - cette étape consiste à vous assurer que vos données d'entraînement sont une représentation équilibrée de l'ensemble de données dans son ensemble. L'amélioration de l'équilibre dans l'ensemble de données permet de réduire le biais d'annotation et d'augmenter la fiabilité des prédictions faites.