Разрабатываешь приложение впервые — оно не запустится, можно сказать
Допустим, у вас есть система распознавания речи. Допустим, у вас есть приведенные ниже примеры с различными факторами автомобильный шум или человеческий шум.
Вы приходите с электронной таблицей. Возможно, вы сможете придумать новый фактор соединения с низкой пропускной способностью. Еще несколько примеров показаны на рис.-2. Эти теги позволяют определить теги, вызывающие ошибки, и обращают ваше внимание на нужную сторону.
Инструменты:
старый:электронная таблица , блокнот Jupyter
Новое: Landing Lenz ссылка
Вспомните жизненный цикл производства машинного обучения на рис. 3 ниже. Все процессы являются итеративными, включая анализ ошибок.
Проверка тегов и предложение новых тегов рис. 4.
Пример: классификация Multilabel содержит разные теги. На рис. 5 ниже вы придумали определение различных тегов для устранения ошибок и улучшения алгоритма. Например, распознавание речи Car Noise. Рекомендация по продукту — идентификация тегов, показанных на рисунке 5.
Статистический анализ тегов
- доля ошибок тегов
- доля ошибочной классификации — скажем, 18 % данных, содержащих автомобильный шум, классифицируются неправильно.
- какая дробь имеет теги
- Сравнение HLP с конкретными тегами
На рис. 6 показаны более подробные сведения ниже.
В следующем руководстве показан пример метрик для каждого тега. Для более глубокого анализа посмотрите статью neptune.ai
