Инструменты оценки качества обучения классифицирующей нейронной сети
Last updated
Last updated
Существует несколько распространенных метрик для оценки качества обучения классифицирующей нейронной сети:
- доля правильно классифицированных примеров.
- показывает, какие классы были спутаны друг с другом. Из нее можно вычислить метрики precision, recall и F1-score.
и площадь под ней (AUC-ROC) - измеряют способность модели ранжировать классы правильно.
- мера расхождения между предсказанным распределением и истинными метками.
- обобщенные метрики, учитывающие истинно-положительные, ложно-положительные и ложно-отрицательные предсказания.
Способы контроля обучения:
на тренировочный, валидационный и тестовый наборы.
на валидационном наборе во время обучения для предотвращения переобучения.
Регуляризация (L1, L2, Dropout и др.) для снижения переобучения.
Анализ ошибок на тестовом наборе после обучения для выявления систематических ошибок.
Визуализация активаций, фильтров и внутренних представлений для понимания обучения.
Вычисление градиентов по отношению к входам для поиска примеров, критических для модели.
Выбор метрик и стратегии контроля зависит от специфики задачи, набора данных и требований к модели.