पिछले अध्याय

15. त्रुटि विश्लेषण के दौरान कई विचारों का एक साथ मूल्यांकन

आपकी टीम के पास अपने आवेदन में बिल्ली पहचानकर्ता को बेहतर बनाने के बारे में कुछ विचार हैं:

• उस समस्या को हल करें जो आपका एल्गोरिथ्म कुत्तों को बिल्लियों को सौंपता है
• इस समस्या को हल करें कि आपका एल्गोरिदम घरेलू के रूप में बड़ी जंगली बिल्लियों (शेर, पैंथर्स, आदि) को पहचानता है
• फजी छवियों पर सिस्टम प्रदर्शन में सुधार
• ...

आप एक ही समय में इन सभी विचारों की सराहना कर सकते हैं। आमतौर पर मैं एक विशेष तालिका बनाता हूं और इसे सत्यापन (देव) नमूने के गलत वर्गीकरण के लगभग 100 मामलों के लिए भरता हूं। मैं संक्षिप्त टिप्पणियाँ भी करता हूं जो मुझे बाद में विशिष्ट उदाहरणों को याद करने में मदद कर सकती हैं। इस प्रक्रिया का वर्णन करने के लिए, आइए एक धुरी तालिका देखें, जिसे आप अपने सत्यापन (देव) नमूने के उदाहरणों के एक छोटे से सेट से बना सकते हैं।

तालिका में छवि 3 बड़ी बिल्लियों और फजी वालों पर लागू होती है। इस प्रकार, इस तथ्य के कारण कि हम एक छवि को कई श्रेणियों की त्रुटियों के लिए विशेषता दे सकते हैं, नीचे पंक्ति में कुल प्रतिशत 100% तक सीमित नहीं हैं।

इस तथ्य के बावजूद कि काम की शुरुआत में आप इन श्रेणियों में मैन्युअल रूप से वर्गीकरण त्रुटियों को वर्गीकृत करने की प्रक्रिया में त्रुटियों (कुत्तों, बड़ी बिल्लियों, फ़ज़ी छवियों) के लिए श्रेणियों का एक निश्चित सेट बना सकते हैं, आप नई प्रकार की त्रुटियों को जोड़ने का निर्णय ले सकते हैं। उदाहरण के लिए, मान लीजिए कि आपने एक दर्जन चित्रों को देखा और निर्णय लिया कि इंस्टाग्राम चित्रों पर क्लासिफायर द्वारा बहुत सी गलतियाँ की गईं, जो कलर-कोडेड हैं। आप तालिका को फिर से कर सकते हैं, इसमें "इंस्टाग्राम" कॉलम जोड़ सकते हैं, और इस श्रेणी के आधार पर त्रुटियों को पुन: वर्गीकृत कर सकते हैं। उन उदाहरणों की मैन्युअल रूप से जांच करके जहां एल्गोरिदम गलत है और अपने आप से पूछ रहे हैं कि एक व्यक्ति के रूप में आप छवि को सही ढंग से कैसे चिह्नित कर सकते हैं, आप नई श्रेणियों की त्रुटियों को देख पाएंगे और, शायद, नए समाधान खोजने के लिए प्रेरित हों।

त्रुटियों की सबसे उपयोगी श्रेणियां वे होंगी जिनके लिए आपको सिस्टम में सुधार करने का विचार है। उदाहरण के लिए, "इंस्टाग्राम" श्रेणी को जोड़ना सबसे उपयोगी होगा यदि आपके पास एक विचार है कि फ़िल्टर कैसे निकालें और मूल छवि को पुनर्स्थापित करें। लेकिन आपको केवल उन श्रेणियों की त्रुटियों के लिए खुद को सीमित नहीं करना चाहिए जिनके लिए आपको उन्हें खत्म करने का एक नुस्खा है; त्रुटि विश्लेषण प्रक्रिया का लक्ष्य फोकस के सबसे आशाजनक क्षेत्रों को चुनते समय अपने अंतर्ज्ञान को विकसित करना है।

त्रुटि विश्लेषण एक पुनरावृत्त प्रक्रिया है। यदि आप इसे एक श्रेणी के साथ आए बिना शुरू करते हैं तो चिंता न करें। कुछ चित्रों को देखने के बाद, त्रुटियों को वर्गीकृत करने के लिए आपके पास कई विचार होंगे। कई छवियों को मैन्युअल रूप से वर्गीकृत करने के बाद, आप नई श्रेणियों को जोड़ना चाहते हैं और नए जोड़े गए श्रेणियों के प्रकाश में वर्गीकरण त्रुटियों की समीक्षा कर सकते हैं, और इसी तरह।

मान लीजिए कि आपने 100 गलत तरीके से वर्गीकृत सत्यापन नमूना उदाहरणों का एक त्रुटि विश्लेषण पूरा किया है और निम्नलिखित प्राप्त किया है:

अब आप जानते हैं कि बिल्लियों के रूप में कुत्तों के गलत वर्गीकरण को खत्म करने के लिए एक परियोजना पर काम करना, सबसे अच्छी तरह से, 8% त्रुटियों को खत्म करना होगा। बिग कैट्स पर या फजी इमेज पर काम करने से काफी बड़ी संख्या में त्रुटियों से छुटकारा पाने में मदद मिलेगी। इसलिए, आप इन दो श्रेणियों में से एक को चुन सकते हैं और उन पर ध्यान केंद्रित कर सकते हैं। यदि आपकी टीम के पास एक ही समय में कई क्षेत्रों में काम करने के लिए पर्याप्त लोग हैं, तो आप कई इंजीनियरों को बड़ी बिल्लियों से निपटने के लिए कह सकते हैं, जो फजी छवियों पर बाकी प्रयासों को केंद्रित करती हैं।

त्रुटि विश्लेषण एक कठोर गणितीय सूत्र प्रदान नहीं करता है जो आपको बताता है कि आपको किस कार्य को सर्वोच्च प्राथमिकता देने की आवश्यकता है। आपको त्रुटियों की विभिन्न श्रेणियों पर काम करने से हुई प्रगति और इस काम पर खर्च किए जाने वाले प्रयास को भी सहसंबंधित करना होगा।

16. गलत तरीके से लेबल किए गए उदाहरणों से सत्यापन और परीक्षण नमूनों को साफ़ करना

त्रुटियों का विश्लेषण करते समय, आप देख सकते हैं कि आपके सत्यापन नमूने में कुछ उदाहरणों को गलत तरीके से लेबल किया गया है (गलत वर्ग को सौंपा गया है)। जब मैं कहता हूं कि "गलत तरीके से लेबल किया गया है", मेरा मतलब है कि छवियों को पहले से ही गलत तरीके से वर्गीकृत किया गया था जब उन्हें एल्गोरिथ्म से पहले एक व्यक्ति द्वारा चिह्नित किया गया था। अर्थात्, जब y के लिए उदाहरण (x, y) को चिह्नित किया जाता है, तो गलत मान का संकेत दिया गया था। उदाहरण के लिए, मान लें कि कुछ छवियां हैं जिनमें कोई बिल्लियां नहीं हैं, गलती से उन्हें बिल्लियों के रूप में लेबल किया गया है और इसके विपरीत। यदि आपको संदेह है कि गलत तरीके से लेबल किए गए उदाहरणों का प्रतिशत महत्वपूर्ण है, तो गलत तरीके से लेबल किए गए उदाहरणों को ट्रैक करने के लिए उचित श्रेणी जोड़ें:

क्या आपको अपने सत्यापन नमूने में गलत टैग किए गए डेटा को सही करने की आवश्यकता है? आपको याद दिलाता हूं कि एक सत्यापन नमूने का उपयोग करने का कार्य आपको एल्गोरिदम का त्वरित मूल्यांकन करने में मदद करना है ताकि आप यह तय कर सकें कि क्या एल्गोरिथ्म बी से बेहतर है। यदि मान्यता प्राप्त नमूने के अनुपात को गलत तरीके से लेबल किया गया है, तो यह आपको ऐसा निर्णय लेने से रोकता है, तो यह समय बिताने के लिए समझ में आता है। सत्यापन नमूने के अंकन में त्रुटियों का सुधार।

उदाहरण के लिए, कल्पना करें कि आपके क्लासिफायर शो की सटीकता इस प्रकार है:

• सत्यापन नमूने की समग्र सटीकता ………… .. 90% (10% कुल त्रुटि)
• मार्कअप त्रुटियों से संबंधित त्रुटि …………… ..0.6% (सत्यापन नमूने में कुल त्रुटि का 6%)
• अन्य कारणों से त्रुटि .............. 9.4% (सत्यापन नमूने में कुल त्रुटि का 94%)

यहां, गलत लेबलिंग के कारण 0.6% त्रुटि पर्याप्त नहीं हो सकती है जो कि 9.4% त्रुटि के संबंध में है जिसे आप सुधार सकते हैं। सत्यापन के नमूने की मार्कअप त्रुटियों का मैनुअल सुधार अति-उपयोगी नहीं होगा, लेकिन इसका सुधार महत्वपूर्ण नहीं है क्योंकि इससे कोई फर्क नहीं पड़ता कि आपके सिस्टम की वास्तविक कुल त्रुटि 9.4% या 10% है

मान लीजिए कि आप अपने फ़ेलिन क्लासिफ़ायर में सुधार कर रहे हैं और निम्नलिखित सटीकता मैट्रिक्स प्राप्त कर चुके हैं:

• सत्यापन नमूने की समग्र सटीकता ………… ..98% (2% कुल त्रुटि)
• मार्कअप त्रुटियों से संबंधित त्रुटि …………… ..0.6% (सत्यापन नमूने में कुल त्रुटि का 30%)
• अन्य कारणों से त्रुटि .............. 1.4% (सत्यापन नमूने में कुल त्रुटि का 70%)

आपकी त्रुटि का 30% सत्यापन नमूना की छवियों के गलत अंकन के कारण है, यह शेयर आपके सिस्टम की सटीकता का आकलन करने में समग्र त्रुटि के लिए महत्वपूर्ण योगदान देता है। इस मामले में, सत्यापन नमूने के अंकन में सुधार करना सार्थक है। गलत तरीके से लेबल किए गए उदाहरणों को खत्म करने से आपको यह पता लगाने में मदद मिलेगी कि आपकी क्लासिफायरफॉरमेंस 1.4% या 2% के करीब है। 1.4 और 2 के बीच एक महत्वपूर्ण सापेक्ष अंतर है।

यह असामान्य नहीं है कि किसी सत्यापन या परीक्षण नमूने की गलत तरीके से लेबल की गई छवियां आपका ध्यान आकर्षित करना शुरू कर देती हैं, जब आपके सिस्टम में इतना सुधार होता है कि गलत उदाहरणों से जुड़ी त्रुटि दर इन नमूनों में कुल त्रुटि के सापेक्ष बढ़ जाएगी।

अगले अध्याय में बताया गया है कि आप एल्गोरिदम में सुधार करते हुए डॉग, बिग कैट्स और फ़ज़ी जैसी त्रुटि श्रेणियां कैसे सुधार सकते हैं। इस अध्याय में, आपने सीखा कि आप "लेआउट त्रुटियों" श्रेणी से जुड़ी त्रुटि को कम कर सकते हैं और डेटा मार्कअप में सुधार करके गुणवत्ता में सुधार कर सकते हैं।

भले ही आप सत्यापन नमूने को चिह्नित करने के लिए किस दृष्टिकोण का उपयोग करते हैं, इसे परीक्षण नमूने के लेआउट में लागू करने के लिए मत भूलना, इसलिए आपके सत्यापन और परीक्षण नमूनों का समान वितरण होगा। सत्यापन और परीक्षण के नमूनों के लिए समान दृष्टिकोण को लागू करने से, आप उस समस्या को रोकेंगे, जिसकी हमने अध्याय 6 में चर्चा की थी, जब आपकी टीम सत्यापन के नमूने में एल्गोरिथ्म की गुणवत्ता का अनुकूलन करती है और बाद में पता चलता है कि सत्यापन गुणवत्ता के नमूने से भिन्न के आधार पर इस गुणवत्ता का मूल्यांकन किया गया था।

यदि आप अपना मार्कअप सुधारने का निर्णय लेते हैं, तो दोहरी जाँच पर विचार करें। आपके सिस्टम ने गलत तरीके से वर्गीकृत किए गए उदाहरणों के मार्कअप और उन उदाहरणों के मार्कअप की जांच करें, जिन्हें सही तरीके से वर्गीकृत किया गया है। यह संभव है कि प्रारंभिक मार्कअप और आपका लर्निंग एल्गोरिथम दोनों एक ही उदाहरण पर गलत थे। यदि आप केवल उन उदाहरणों के मार्कअप को सही करते हैं जिन पर आपके सिस्टम ने वर्गीकरण में गलती की है, तो आप अपने मूल्यांकन में एक व्यवस्थित त्रुटि का परिचय दे सकते हैं। यदि आप सत्यापन के नमूने के 1000 उदाहरण लेते हैं, और यदि आपके क्लासिफायरियर 98.0% की सटीकता दिखाते हैं, तो 20 उदाहरणों की जांच करना आसान है जिन्हें 980 सही ढंग से वर्गीकृत उदाहरणों की तुलना में गलत तरीके से वर्गीकृत किया गया था। इस तथ्य के कारण कि व्यवहार में केवल गलत तरीके से वर्गीकृत उदाहरणों की जांच करना आसान है, कुछ मामलों में एक व्यवस्थित त्रुटि सत्यापन नमूनों में रेंग सकती है। ऐसी त्रुटि अनुमेय है यदि आप केवल अनुप्रयोगों को विकसित करने में रुचि रखते हैं, लेकिन यह एक समस्या होगी यदि आप एक अकादमिक शोध लेख में अपने परिणाम का उपयोग करने की योजना बनाते हैं या व्यवस्थित त्रुटि से पूरी तरह से मुक्त एक परीक्षण नमूने पर एल्गोरिथ्म की सटीकता के मापन की आवश्यकता होती है।

17. यदि आपके पास एक बड़ा सत्यापन नमूना है, तो इसे दो उप-विभाजनों में विभाजित करें, और उनमें से केवल एक पर विचार करें।

मान लें कि आपके पास एक बड़ा सत्यापन नमूना है जिसमें 5000 उदाहरण हैं जिसमें त्रुटि दर 20% है। इस प्रकार, आपका एल्गोरिथ्म लगभग 1000 सत्यापन छवियों को सही ढंग से वर्गीकृत नहीं करता है। 1000 छवियों के मैनुअल मूल्यांकन में एक लंबा समय लगेगा, इसलिए हम त्रुटि विश्लेषण उद्देश्यों के लिए उन सभी का उपयोग नहीं करने का निर्णय ले सकते हैं।

इस मामले में, मैं निश्चित रूप से सत्यापन के नमूने को दो उप-भागों में विभाजित करूंगा, जिनमें से एक आप निरीक्षण करेंगे, और दूसरा नहीं। आप उस हिस्से पर फिर से काम करने की संभावना रखते हैं जिसे आप मैन्युअल रूप से विश्लेषण करेंगे। मॉडल पैरामीटर को कॉन्फ़िगर करने के लिए आप उस भाग का उपयोग कर सकते हैं जिसका उपयोग आप मैन्युअल विश्लेषण के लिए नहीं करते हैं।

चलो ऊपर वर्णित हमारे उदाहरण को जारी रखते हैं, जिसमें एल्गोरिथ्म ने 5000 उदाहरणों से 1000 उदाहरणों को गलत तरीके से वर्गीकृत किया है जो सत्यापन नमूना का निर्माण करते हैं। कल्पना करें कि आप विश्लेषण के लिए 100 त्रुटियां लेना चाहते हैं (सत्यापन नमूने में सभी त्रुटियों का 10%)। हमें सत्यापन नमूने से यादृच्छिक रूप से 10% उदाहरणों का चयन करने की आवश्यकता है और उनसे " आईबॉल देव सेट " ( आईबॉल देव सेट ) की रचना करें, हमने उन्हें नाम दिया ताकि हम हमेशा याद रखें कि हम इन उदाहरणों का अध्ययन अपनी आँखों से करते हैं।

अनुवादक की टिप्पणी: मेरे दृष्टिकोण से, "नेत्रगोलक चयन" की परिभाषा सभी सामंजस्यपूर्ण नहीं है (विशेषकर रूसी भाषा के दृष्टिकोण से)। लेकिन एंड्रयू के लिए पूरे सम्मान के साथ (और इस बात को ध्यान में रखते हुए कि मैं कुछ बेहतर नहीं कर पाया), मैं इस परिभाषा को छोड़ दूंगा

(एक भाषण मान्यता परियोजना के लिए जिसमें आप ऑडियो क्लिप सुनेंगे, शायद आप "कान के लिए सत्यापन नमूना" जैसी किसी चीज़ का उपयोग करेंगे)। इस प्रकार, नेत्रगोलक के सत्यापन के नमूने में 500 उदाहरण हैं, जिसमें लगभग 100 गलत तरीके से वर्गीकृत किया जाना चाहिए। सत्यापन के नमूने का दूसरा सब्सक्रिप्शन, जिसे हम ब्लैकबॉक्स देव सेट कहेंगे, में 4,500 उदाहरण शामिल होंगे। आप त्रुटियों के अपने हिस्से को मापते हुए, क्लासिफ़ायर की गुणवत्ता का स्वचालित रूप से मूल्यांकन करने के लिए "ब्लैक बॉक्स सब्सक्रिप्शन" का उपयोग कर सकते हैं। आप एल्गोरिथ्म के बीच चयन करने या हाइपरपरमेटर्स को कॉन्फ़िगर करने के लिए इस सबस्क्रिम का उपयोग कर सकते हैं। हालाँकि, आपको अपनी आँखों से इस सबमप्लांट के उदाहरणों को देखने से बचना चाहिए। हम "ब्लैक बॉक्स" शब्द का उपयोग करते हैं क्योंकि हम "ब्लैक बॉक्स" के रूप में इसके घटक का उपयोग करेंगे।
लगभग। अनुवादक : यानी वह वस्तु जिसकी संरचना हम नहीं जानते
सहपाठियों की गुणवत्ता का आकलन करने के लिए।

हम स्पष्ट रूप से सत्यापन के नमूने को "आईबॉल सबस्क्रिमल" और "ब्लैक बॉक्स सब्स्क्राइब" में अलग क्यों करते हैं?
चूंकि कुछ बिंदु पर आप "आईबॉल सबमप्लिंग" में उदाहरणों को तेजी से महसूस करेंगे (समझेंगे), इस सबसम्प्लिमेंट पर आप जो दोबारा प्रयास करेंगे उसकी संभावना बढ़ जाएगी। रिट्रेनिंग को नियंत्रित करने के लिए, हम “ब्लैक बॉक्स सब्सक्रिप्शन” का उपयोग करेंगे। यदि आप देखते हैं कि ब्लैक बॉक्स सैंपल की गुणवत्ता की तुलना में आईबॉल सैंपल पर एल्गोरिदम की गुणवत्ता काफी तेजी से बढ़ती है, तो आप आईबॉल पर मुकर गए लगते हैं। इस स्थिति में, आपको आईबॉल के मौजूदा सबसेट को त्यागने और ब्लैक बॉक्स से आईबॉल तक अधिक उदाहरणों को स्थानांतरित करने या टैग किए गए डेटा का एक नया हिस्सा लेने की आवश्यकता हो सकती है।

इस प्रकार, सत्यापन के नमूने को "आईबॉल सबस्क्रिमल" और "ब्लैक बॉक्स सब्स्क्राइब" में विभाजित करने से आपको उस क्षण को देखने की अनुमति मिलती है जब मैनुअल त्रुटि विश्लेषण की प्रक्रिया आपको नेत्रगोलक सब्सक्राइब पर पीछे हटने के लिए प्रेरित करेगी।

18 नेत्रगोलक नमूना और ब्लैक बॉक्स नमूना कितना बड़ा होना चाहिए?

आपके एल्गोरिथ्म के लिए वर्गीकरण त्रुटियों की मुख्य श्रेणियों को खोजने के लिए आपके नेत्रगोलक का नमूना काफी बड़ा होना चाहिए। यदि आप किसी ऐसे कार्य पर काम कर रहे हैं, जिसे कोई व्यक्ति संभाल सकता है (जैसे कि छवियों में बिल्लियों को पहचानना), तो आप निम्नलिखित उचित सुझाव दे सकते हैं:

• नेत्रगोलक का एक सत्यापन नमूना जिसमें आपके क्लासिफायर की 10 त्रुटियां हैं, बहुत छोटा माना जाएगा। केवल 10 त्रुटियां होने पर, क्लासिफायर की गुणवत्ता पर विभिन्न श्रेणियों की त्रुटियों के प्रभाव का सही आकलन करना बहुत मुश्किल है। लेकिन अगर आपके पास बहुत कम डेटा है और नेत्रगोलक के नमूने में अधिक उदाहरण जोड़ने का कोई तरीका नहीं है, तो यह अभी भी कुछ नहीं से बेहतर है और किसी भी मामले में परियोजना पर काम को प्राथमिकता देने में मदद करेगा।
• यदि आपके क्लासीफायर को नेत्रगोलक के नमूने पर लगभग 20 बार गलत किया जाता है, तो आप त्रुटियों के मुख्य स्रोतों का मोटा अनुमान लगा सकते हैं।
• लगभग 50 त्रुटियों के साथ, आपको अपने वर्गीकरण की त्रुटियों के मुख्य स्रोतों का एक अच्छा विचार मिलेगा।
• यदि आपके पास लगभग 100 त्रुटियां हैं, तो आपको बहुत अच्छी समझ होगी कि मुख्य त्रुटियां कहां से आती हैं। मैं ऐसे लोगों से मिला, जिन्होंने कभी-कभी 500 तक भी अधिक त्रुटियों का मैन्युअल रूप से विश्लेषण किया था। यदि आपके पास पर्याप्त डेटा है तो क्यों नहीं।

मान लीजिए कि आपके क्लासिफायर की त्रुटि दर 5% है। नेत्रगोलक नमूने में 100 गलत तरीके से लेबल किए गए उदाहरणों के बारे में विश्वास प्राप्त करने के लिए, इस नमूने में लगभग 2000 उदाहरण (0.05 * 2000 = 100 के बाद से) होने चाहिए। आपके क्लासिफायर का त्रुटि दर जितना छोटा होगा, नेत्रगोलक के नमूने का उतना ही बड़ा होना आवश्यक है, क्योंकि विश्लेषण के लिए त्रुटियों का पर्याप्त बड़ा नमूना है।

यदि आप एक ऐसे कार्य पर काम कर रहे हैं जिसमें लोगों के लिए उदाहरणों को सही ढंग से वर्गीकृत करना मुश्किल है, तो नेत्रगोलक के सत्यापन नमूने की जांच करने के लिए अभ्यास विशेष रूप से उपयोगी नहीं होगा, क्योंकि यह समझना मुश्किल है कि एल्गोरिथ्म उदाहरण को सही ढंग से वर्गीकृत क्यों नहीं कर सकता है। इस स्थिति में, आप आईबॉल सैम्पलिंग सेटिंग को छोड़ सकते हैं। हम निम्नलिखित अध्यायों में ऐसी परियोजनाओं के लिए सिफारिशों पर चर्चा करेंगे।

और "ब्लैक बॉक्स सैम्पलिंग" के बारे में क्या? हमने पहले ही उल्लेख किया है कि सामान्य मामले में, सत्यापन नमूना में 1000 - 10000 उदाहरण हैं। इस कथन को पूरक करने के लिए, आमतौर पर (अक्सर) 1,000 से 10,000 उदाहरणों का एक ब्लैक बॉक्स सत्यापन नमूना आपको हाइपरपरमेटर्स को कॉन्फ़िगर करने और मॉडल के बीच चयन करने के लिए पर्याप्त डेटा देता है, लेकिन यदि आप ब्लैक बॉक्स का चयन करने के लिए अधिक डेटा लेते हैं, तो यह अधिक बुरा नहीं होगा। 100 उदाहरणों का एक ब्लैक बॉक्स चयन निश्चित रूप से पर्याप्त नहीं है, लेकिन यह अभी भी उपयोगी होगा (कुछ नहीं से बेहतर)।

यदि आपके पास एक छोटा सत्यापन नमूना है, तो उसके पास नेत्रगोलक और ब्लैक बॉक्स के नमूनों में अलग करने के लिए पर्याप्त डेटा नहीं हो सकता है, ताकि वे दोनों काफी बड़े हों और ऊपर वर्णित उद्देश्यों की पूर्ति कर सकें। इस मामले में, आपको अपने पूरे सत्यापन नमूने का उपयोग नेत्रगोलक नमूने के रूप में करना पड़ सकता है।
यही है, आप मैन्युअल रूप से सत्यापन नमूने से सभी डेटा की जांच करेंगे।

मेरा मानना ​​है कि ब्लैक बॉक्स का चयन करने की तुलना में नेत्रगोलक का चयन करना अधिक महत्वपूर्ण है (यह मानते हुए कि आप एक समस्या पर काम कर रहे हैं जिसमें लोग कक्षाओं को परिभाषित करने में अच्छे हैं और मैन्युअल रूप से उदाहरणों की जांच करने से आपको अपने डेटा का अंदाजा लगाने में मदद मिलेगी)। यदि आपके पास केवल नेत्रगोलक का चयन उपलब्ध है, तो आप केवल त्रुटियों का विश्लेषण, मॉडल का चयन और केवल इसका उपयोग करके हाइपरपैरमीटर की सेटिंग पर काम कर सकते हैं। केवल नेत्रगोलक के चयन के साथ काम करने का नुकसान यह है कि इस मामले में मॉडल को वैध नमूना नमूने में वापस लेने का जोखिम बढ़ जाता है।

यदि आपके पास अपने निपटान में बहुत अधिक डेटा है, तो नेत्रगोलक का नमूना आकार मुख्य रूप से निर्धारित किया जाएगा कि आप कितना समय मैनुअल डेटा विश्लेषण के लिए समर्पित कर सकते हैं। उदाहरण के लिए, मैं शायद ही कभी किसी से मिला था जो मैन्युअल रूप से 1000 से अधिक त्रुटियों का विश्लेषण करेगा।

19 निष्कर्ष: मूल त्रुटि विश्लेषण

• , , ,
• . , — . , .
• , 100 , , . , .
• , , . , , .
• , . , 1000-10000 .
• यदि आपका सत्यापन नमूना एक नेत्रगोलक नमूने और एक ब्लैक बॉक्स नमूने में विभाजित करने के लिए पर्याप्त नहीं है, तो बस त्रुटियों का चयन करने, मॉडल का चयन करने और हाइपरपरमीटर को कॉन्फ़िगर करने के लिए नेत्रगोलक नमूना का उपयोग करें।

विस्तार