Introdução a "Refinar"

A terceira fase, e a etapa final do processo de treinamento, é chamada de ' Refinar'. O objetivo desse estágio é entender como seu modelo está funcionando e refina-lo até que funcione conforme necessário. Isso envolve melhorar rótulos específicos que não estão funcionando conforme o esperado, garantindo que você tenha capturado todos os conceitos relevantes de rótulos e certificando-se de que seus dados de treinamento sejam uma representação equilibrada do conjunto de dados como um todo.

A plataforma foi projetada para ser totalmente transparente para os usuários no que diz respeito ao desempenho do modelo e muito flexível quando se trata de melhorar o desempenho em áreas que assim o exigem. Para qualquer caso de uso, você quer ter certeza de que seu modelo captura uma representação precisa do que está em seu conjunto de dados, e essa fase do treinamento ajuda a garantir que você possa isso.

Esta seção da Base de Conhecimento abordará em detalhes as etapas descritas abaixo, mas começará com explicações detalhadas sobre precisão e recall, como a Validação funciona e como entender os diferentes aspectos do desempenho do modelo.

Principais etapas

Revisar Classificação do modelo - esta etapa trata de verificar sua Classificação do modelo na Validação e ver onde a plataforma acha que pode haver problemas de desempenho com seu modelo, bem como das orientações sobre como resolvê-los Esta seção inclui detalhes sobre como entender e melhorar o desempenho do modelo.

Refinar o desempenho do rótulo - esta etapa trata da tomada de ações, recomendadas pela plataforma, para melhorar o desempenho de seus rótulos. Elas incluem o uso dos modos de treinamento "Verificar rótulo" e "Rótulo ausente", que ajudam a lidar com possíveis inconsistências em sua rotulagem, bem como o modo "Ensinar rótulo" (abordado com mais detalhes na fase de Exploração aqui)

Aumentar a cobertura — essa etapa ajuda a garantir que o máximo possível do seu conjunto de dados seja coberto por previsões de rótulo significativas.

Melhorar o balanceamento - esta etapa é sobre garantir que seus dados de treinamento sejam uma representação equilibrada do conjunto de dados como um todo. Melhorar o balanceamento no conjunto de dados ajuda a reduzir o viés de rotulagem e aumentar a confiabilidade das previsões feitas.