Introduction à affiner

La troisième phase, la dernière étape du processus d'entraînement, s'appelle Affiner. 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 libellés spécifiques qui ne fonctionnent pas comme prévu, de vous assurer que vous avez capturé tous les concepts de libellé 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 entièrement 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 le nécessitent. 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 permet de garantir que vous pouvez l'être.

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, le fonctionnement de la Validation et la compréhension des différents aspects des performances du modèle.

Étapes clés

• Examiner l'évaluation du modèle : cette étape consiste à vérifier l'évaluation de votre modèle lors de la validation et à identifier les domaines où la plateforme suppose des problèmes de performances avec votre modèle, ainsi que des conseils sur la manière de les résoudre. Cette section comprend des détails sur la compréhension et l’amélioration des performances du modèle.

• Affiner les performances des libellés : cette étape consiste à prendre des mesures, recommandées par la plate-forme, afin d'améliorer les performances de vos libellés. Il s'agit notamment de l'utilisation des modes d'entraînement Vérifier le libellé et Manqué libellé , qui vous aide à corriger les incohérences potentielles dans votre annotation, ainsi que le mode Apprendre au libellé . Pour plus de détails, consultez Entraîner à l'aide de l'apprentissage des libellés (Explorer).

• Augmenter la couverture : permet de garantir qu'une grande partie de votre ensemble de données est couverte par des prédictions de libellés significatives.

• Améliorer l'équilibre : cette étape consiste à s'assurer que vos données d'entraînement sont une représentation équilibrée de l'ensemble de données dans son ensemble. L’amélioration de l’équilibre de l’ensemble de données permet de réduire les biais d’annotation et d’augmenter la fiabilité des prédictions effectuées.