Forbedre ytelsen til kategoriklassifiseringsmodellen
Hvis modellytelsen ikke er slik du ønsker at den skal være, finnes det noen ting du kan prøve. Disse tipsene kan hjelpe deg med å tilpasse modellen for å forbedre forutsigelsesevnen.
Legg til mer korrekt merkede kalibreringsdata
Jo flere riktig merkede kalibreringsdata du har, jo bedre vil modellen yte. Anta at du har en Ja/Nei-etikett. Hvis de fleste dataene bare har et Ja i denne kolonnen, vil AI-modellen sannsynligvis ikke lære mye fra disse dataene. Hvis dataene ikke er riktig merket, er det sannsynlig at modellen ikke vil kalibreres spesielt godt. Det er ideelt å begynne med et lite sett med riktig merket eksempler – kanskje 100 eller mindre. Derfra kan du fortsette å dobbeltsjekke antallet eksempler på en gjentakelse og rekalibrere hver gang, slik at du kan se på ytelsesendringen. Generelt sett er mer data bedre, men det er går ut over funksjonen for å legge til data jo større datasettene blir.
Flere tips
- Sørg for at du har balansert bruk av koder i kalibreringsdataene dine. Eksempel: du har fire merker for 100 tekstelementer. De to første merkene (tag1 og tag2) brukes for 90 tekstelementer, men de to andre (tag3 og tag4) brukes bare på de resterende ti tekstelementene. Den manglende balansen kan forårsake at modellen strever for å forutse tag3 eller tag4.
- Kontroller at du kalibrerer modellen ved hjelp av data som ligner på det du forventer å bruke modellen for.
Neste trinn
Publiser modellen for kategoriklassifisering