Если вы такой же энтузиаст искусственного интеллекта, как и я, то вы должны быть знакомы с набором данных о психологических травмах, который вы получили для своих моделей глубокого обучения. Набор данных является наиболее важным фактором для любого проекта глубокого обучения и машинного обучения. Мы обсудим эти проблемы и их решения, связанные с небольшими наборами данных.
Что ж, если у вас небольшой набор данных, то есть несколько препятствий, над которыми вам следует поработать. Вот некоторые из них.
- Недообучение, так как модель не сможет тренироваться
- Небольшой набор данных приводит к плохой точности и результатам функции потерь
- Набор данных дисбаланса
- Оценка показателей
Это основные проблемы, с которыми сталкиваются специалисты по данным, особенно при обучении своих моделей глубокого обучения.
Первую и вторую проблемы можно решить одновременно с помощью аугментации. Аугментация — это процесс дублирования данных путем увеличения, уменьшения, сдвига, вращения, наклона и многого другого.
Это увеличивает ваш набор данных с различными вариациями, что приводит к решению проблемы недообучения, плохой точности и потерь результатов.
Набор данных о дисбалансе и оценка метрик также решаются одновременно. Но прежде чем мы углубимся, нам нужно понять эти термины.
Набор данных дисбаланса означает при создании модели классификации. У вас не одинаковое общее количество экземпляров каждого класса. Например, класс A имеет 60 экземпляров, а класс B имеет 90 экземпляров, что приводит к несбалансированному набору данных, что приводит к плохим результатам точности.
Оценка метрик означает измерение точности и потерь для оценки ваших моделей.
Однако при работе с несбалансированным набором данных показатели «Точность» и «Потери» не соответствуют стандартам. Решение для несбалансированного набора данных и метрик заключается в использовании метрик, отличных от функций Keras «Точность» и «Потери».
Следовательно, правильными показателями для использования являются «точность», «отзыв», «F1» и т. д. Они обеспечивают наилучшую оптимальную точность и потери.
Хорошие ресурсы: -
Разница между ИИ, машинным обучением и глубоким обучением -› https://youtu.be/4fGx08QKymQ
