Pagerinkite savo kategorijų klasifikavimo modelio našumą

Jei jūsų modelio našumas neatitinka jūsų lūkesčių, galite išbandyti kelis dalykus. Šie patarimai gali padėti jums patobulinti savo modelį, kad pagerintumėte jo prognozavimo galią.

Pridėkite daugiau teisingai paženklintų mokymo duomenų

Kuo teisingiau paženklinti mokymo duomenys, tuo geriau veiks jūsų modelis. Pavyzdžiui, tarkime, kad turite žymę „Taip“ / „Ne“. Jei daugumoje jūsų duomenų šiame stulpelyje yra tik `Taip`, jūsų dirbtinio intelekto modelis greičiausiai daug ko neišmoks iš šių duomenų. Jei jūsų duomenys nėra teisingai pažymėti, modelis greičiausiai nelabai gerai mokysis. Idealu pradėti nuo nedidelio teisingai paženklintų pavyzdžių rinkinio – galbūt 100 ar mažiau. Nuo tada galite iteratyviai dvigubinti pavyzdžių skaičių ir kiekvieną kartą iš naujo mokyti, atkreipdami dėmesį į našumo pokytį. Apskritai kalbant, kuo daugiau duomenų, tuo geriau, tačiau kuo didesnis tampa jūsų duomenų rinkinys, tuo mažesnė jų grąža.

Daugiau patarimų

• Įsitikinkite, kad jūsų mokymo duomenyse žymų naudojimas yra subalansuotas. Pavyzdžiui: turite keturias žymas 100 teksto elementų. Pirmosios dvi žymės (tag1 ir tag2) naudojamos 90 teksto elementų, bet kitos dvi (tag3 ir tag4) naudojamos tik likusiems 10 teksto elementų. Dėl pusiausvyros stokos jūsų modeliui gali būti sunku teisingai numatyti 3 žymę arba 4 žymę.
• Įsitikinkite, kad apmokote savo modelį naudodami duomenis, kurie yra panašūs į tai, kam tikitės naudoti modelį.

Tolesnis veiksmas

Paskelbkite savo kategorijų klasifikavimo modelį

Susijusi informacija

Iš anksto sukurtas kategorijų klasifikavimo modelis