DAY04 | 就愛喝咖啡
累了圖就亂畫了,請見諒啦。
今天我們會離開前三天的內容,單獨來討論類神經網路模型的質量衡量指標,這邊我們會提到三個關鍵指標,一個是準確度,一個是精確度,另一個是查全率。這些指標你在網路上查絕對查的到對應的數學計算方法,今天在這邊我是要討論更多的觀念問題,也就是說我們為什麼要衡量類神經網路模型的好壞?到底衡量的意義是什麼。
今天廢話會比較多,講比較多觀念,可能要重複幾遍才會明白。
此外,如果你今天是一個類神經網路技術的應用產品的產品經理,這個你一定要了解。
模型追蹤:和 one-off 說掰掰One-Off Model (一次性學習、一次性模型)就像是類神經網路世界中的 Ctrl-C Ctrl-V ,是所有在做類神經網路開發的人要避免的,什麼意思呢?一次性模型指的就有點類似統計出報告的感覺,今天資料來我就是算出某些東西,資料再來我再依照同樣的步驟算出一些統計分析,就是一個固定很死的流程再重複走,這樣很不好。
很多人在工作上使用類神經網路技術,最後都會變成兩種狀況:一種就是,不管三七二十一我就是固定每天、每周、每月我重新訓練就對了,我也不管我原本訓練出來的模型到底是還能不能用呢,還是模型其實很早就失效,反正我就是有一個和團隊或產品經理約定俗成的一個原則,當然如果沒出事是做好,如果出事那問題你也很難察覺,你就會很挫折一直沒辦法訓練出好的模型,因為你平常就沒有習慣應對各種複雜的挑戰。
另一個狀況是在資源比較緊迫的團隊比較常會看到的,就是老闆或是產品經理敦促說模型不太堪用了,開發人員才去重新訓練一組模型,然後拿著堆積已久新的資料和舊的資料大鍋炒,一起用。一樣老話一句,如果沒出問題那就沒事,如果出問題那這問題你大概也很難解決。
要避免以上兩種情況,一個最基本的原則就是你要持續的追蹤你的模型!
什麼意思呢?你每次訓練出來的類神經網路模型,你都要持續去追蹤他,看他到底還堪不堪用呢?是感覺可以用個一年半載呢?還是兩三周就要重新訓練...
DAY04 | 就愛喝咖啡
[Day10] 評估模型指標 | 就愛喝咖啡
淺談機器學習的效能衡量指標(1) - | 就愛喝咖啡
[Day 27] 機器學習常犯錯的十件事 | 就愛喝咖啡
[Day 27] 機器學習常犯錯的十件事 | 就愛喝咖啡
如何確保大數據分析的品質:淺談監督式機器學習的測試評估方法 | 就愛喝咖啡
機器學習統計方法 | 就愛喝咖啡
你的Machine Learning Model 品質高嗎?ML機器學習建模3 個 ... | 就愛喝咖啡
什麼是過度擬合? | 就愛喝咖啡
測試資料評價:插座()很多、限時 好吃程度 0 顆星
測試資料評價好嗎?這邊幫大家整理位於測試資料的測試資料詳細資訊,像是Wifi、安靜度、甜點、插座及網友評分:店名:測試資...