Đánh giá máy học một cách chính xác là thiết yếu để bảo đảm hiệu quả của chúng trong ứng dụng thực tế. tuy nhiên, có những cạm bẫy phổ biến có thể dẫn đến kết quả sai lầm. nhận ra những vấn đề và áp dụng kỹ thuật đúng có thể cải thiện đánh giá mô hình và triển khai.

Name

Thông tin rò rỉ xảy ra khi thông tin từ bên ngoài bộ dữ liệu được sử dụng để tạo mô hình. Điều này có thể dẫn đến các thước đo hiệu suất quá lạc quan không phản ánh kết quả của thế giới thực. Để ngăn chặn điều này, đảm bảo các bước chuẩn bị dữ liệu được thực hiện trong các gấp chéo điều chỉnh và dữ liệu thử nghiệm vẫn hoàn toàn không bị nhìn thấy trong quá trình đào tạo.

Dùng các loại hình học hỏi phù hợp

Chọn sai bộ đo đánh giá có thể xuyên tạc hiệu suất của mô hình. Ví dụ, độ chính xác có thể sai trong bộ dữ liệu cân bằng. Thay vào đó, hãy xem các thước đo như độ chính xác, nhớ lại, F1- scure, hoặc AUC-ROC tùy thuộc vào kiểu vấn đề. Điều này giúp hiểu chính xác hơn điểm mạnh và điểm yếu của mô hình.

Quá hợp lý và không phù hợp

Quá hợp xảy ra khi một mô hình học tiếng ồn trong dữ liệu đào tạo, dẫn đến sự tổng quát hóa kém.

Đánh giá về cùng một dữ liệu được dùng để huấn luyện

Đánh giá một mô hình trên cùng dữ liệu được dùng để đào tạo có thể tạo ra một quan điểm quá lạc quan về hiệu suất. Luôn luôn sử dụng một hiệu lực hoặc thử nghiệm riêng biệt để đánh giá mô hình sẽ hoạt động như thế nào trên dữ liệu không nhìn thấy. Thực tế này đảm bảo một ước tính thực tế hơn về hiệu quả của nó.