Введение

  • 2 мин

Метрики с одним значением, такие как среднеквадратичная погрешность или логистическая функция потерь — это быстрые способы сравнения производительности различных моделей. Они не всегда интуитивно понятны, однако, и не всегда могут дать полное представление о том, как модель действительно работает. Например, если мы пытаемся обнаружить рак, но только 1 в 100 000 образцов тканей на самом деле содержат рак, модель, которая всегда говорит, что "нет рака" будет иметь отличную потерю журналов (стоимость), но будет полностью бесполезным в клинике. Выбор более интеллектуальных способов оценки моделей важен, чтобы получить правильное понимание того, как ваша модель будет работать в реальном мире.

Сценарий: спасательные работы в горах с использованием машинного обучения

В рамках этого модуля мы будем использовать следующий пример сценария для теоретической и практической работы с различными метриками и дисбалансами данных.

По мере того, как приближается зима, растет беспокойство, поскольку туристы игнорируют риск схода лавин и лезут в гору даже тогда, когда туристические маршруты полностью закрыты. Не только этот риск вызывает более лавины, но потому что туристы редко проверка в перед отвещением, нет никакого способа узнать, был ли кто-то на горе, когда лавина произошла. Щедрый донор предоставил лавинообразный спасательный отряд с роем миниатюрных беспилотных летательных аппаратов, которые способны автоматически сканировать гористые горы для объектов. Из-за крайней местности и очистки батареи в холодном, их пропускная способность остается слишком низкой, чтобы передать видео. Вместо этого бортовые датчики могут извлекать основную информацию, например, о форме объекта, его размере и движении, передавая эти данные на домашнюю базу. Можно ли построить модель, которая может определить, когда беспилотник наткнулся на человека, чтобы следить за тем, кто на горе?

Необходимые компоненты

  • Основные навыки работы с моделями классификации

Цели обучения

Изучив этот модуль, вы сможете:

  • Оценка производительности моделей классификации.
  • Просмотрите метрики для улучшения моделей классификации.
  • Устранение проблем с производительностью из дисбалансов данных.