การ เรียน รู้ ที่ มี ประสิทธิภาพ มาก ที่ สุด เป็น วิธี เรียน รู้ ที่ ใช้ ได้ อย่าง กว้าง ขวาง ซึ่ง เกี่ยว ข้อง กับ การ ฝึก รุ่น ข้อมูล ที่ ติด ป้าย ไว้.

การ ทํา เกิน สิทธิ์ และ การ ทํา ให้ งาน ไม่ มี ประสิทธิภาพ

การ ทํา เกิน สิทธิ์ เกิด ขึ้น เมื่อ ตัว อย่าง เรียน รู้ ข้อมูล ที่ ได้ รับ การ ฝึก อบรม อย่าง ดี รวม ทั้ง เสียง รบกวน ซึ่ง ทํา ให้ ข้อมูล ใหม่ ๆ ดู ไม่ ค่อย มี การ อธิบาย.

ตัวอย่างเช่น การเปรียบเทียบข้อผิดพลาดของการฝึก (E[FLT: 0] Train และความถูกต้อง (FLT:2] value ] ] สามารถบอกค่าเกินได้ ถ้า E[FLT: 4] train [FLT: 5] ต่ํามาก ขณะที่ E[FLT: 6 [FLT] [FLT] ] สูง ความผิดพลาดทั้งคู่จะเกิดขึ้นใน ค.ศ.

ความไม่สมดุลของคลาส

การ คํานวณ อัตรา การ แจก จ่าย ใน ชั้น เรียน ช่วย ระบุ ความ ไม่ สมดุล.

สมมติว่าชุดข้อมูลมีตัวอย่าง 1000 ตัว โดยมี 900 ตัว เป็นสมาชิกของคลาส A และ 100 ห้องเรียน B. อัตราการกระจายตัวของคลาสคือ:

ห้องเรียน A: (900/100) * 100 = 90%

ห้อง B: (100/100) * 100 = 10%

การจําแนกผลแบบแบบ

การ คํานวณ เกี่ยว ข้อง กับ ส่วน ประกอบ ที่ ทํา ให้ สับสน ของ เมทริกซ์:

  • บวกจริง (TP)
  • บวกผิดพลาด (FP)
  • ลบเท็จ (FN)

ยกตัวอย่างเช่น ความแม่นยําคํานวณเป็น

พรีซิชัน = ทีพี / (ทีพี + เอฟพี)

การ จัด การ ข้อมูล ของ นก นางแอ่น

การคํานวณเช่น สัดส่วนเสียงต่อสัญญาณ ช่วยลดคุณภาพข้อมูล

สมมุติ ว่า ชุด ข้อมูล นั้น บรรจุ ตัว อย่าง เสียง ดัง 100 ตัว จาก จํานวน ทั้ง หมด 1,000 ตัว.

ความถี่ของสัญญาณรบกวน = (จํานวนตัวอย่างเสียง) / (ตัวอย่างเสียง) = 100 / 1000 = 0.1 หรือ 10%