- ¿Qué es la reducción de muestras en el aprendizaje automático??
- Por qué el aprendizaje automático de muestra?
- ¿La reducción de muestras reduce la precisión??
- ¿Por qué usamos la muestra de muestreo??
¿Qué es la reducción de muestras en el aprendizaje automático??
La reducción de muestras (en este contexto) significa capacitar en un subconjunto desproporcionadamente bajo de los ejemplos de clase mayoritaria. Weighting significa agregar un peso de ejemplo a la clase muestreada igual al factor por el cual se muestreó.
Por qué el aprendizaje automático de muestra?
El muestreo descendente es un mecanismo que reduce el recuento de muestras de entrenamiento que caen bajo la clase mayoritaria. Ya que ayuda a igualar los recuentos de categorías objetivo. Al eliminar los datos recopilados, tendemos a perder tanta información valiosa.
¿La reducción de muestras reduce la precisión??
Con el aumento de la tasa de muestreo descendente, los aumentos de precisión de todos los modelos, ya que se proporciona más información de antecedentes dentro del conjunto de capacitación para evitar falsos positivos. En contraste con los detectores de dos etapas, SSD tiene una precisión de detección mucho menor.
¿Por qué usamos la muestra de muestreo??
La muestra de muestra le permite crear modelos aún más pequeños, ya que el algoritmo de aprendizaje automático no requiere tantos puntos de datos de entrenamiento. Para la IA integrada, el uso de la memoria es vital; Crear un modelo más pequeño pero aún muy preciso le permite ahorrar espacio para otros códigos de aplicación y procesos en el dispositivo.