Kui ma õigesti aru saan, on küsimus selles, miks kaotus ei vähenenud, aga mitte selles, miks varastavad täpsusvarastused teatud viisil. Pange tähele ka seda, et kaalumise tõttu ei ole kogukahjud kahe mudeli vahel võrreldavad.

Hea tulemuslikkuse mõõdikud mitmeklassilise klassifikatsiooni probleemi jaoks lisaks täpsusele?

Selle probleemi lahendamiseks kodeerisin Kerases lihtsa kaalutud binaarse rist-entroopia kaotuse funktsiooni, mille taustaprogrammiks oli Tensorflow. Kaotus ulatub umbes 1,5-st 0,4-ni ega lähe kaugemale. Tavaline binaarne ristientroopia toimib paremini, kui treenin seda pikka aega üleliigse paigaldamiseni. See võib sõltuvalt optimeerijast mõjutada treeningu stabiilsust. Optimeerijad, mille sammu suurus sõltub gradiendi suurusest, võivad näiteks ebaõnnestuda.

Andmekogum on tasakaalus. Olen siiani kasutanud täpsust etenduse mõõdikuna.

Kas selle ülesande jaoks on muid häid toimivusmõõdikuid? Ma tean juba täpsusest ja tagasikutsumisest, kuid niipalju kui ma tean, et neid kasutatakse andmekogumi tasakaalustamatuse korral. See sõltub tegelikult sellest, mis on teie ülesanne.

Kui saate oma mudelist ja väljundist aru ainult täpsusega, on see teie jaoks hea mõõdik. Sellel moodulil on juurdepääs suurele hulgale jõudluse hindamise parameetritele ja saate ka selle dokumentatsiooni kasutada, kui soovite seda ise rakendada. Kuigi see pole nii täpselt tõlgendatav kui täpsus, karistab see teie usalduse põhjal ennustuste suhtes.

Kui kasutate väljundtõenäosuste mudeleid, võib see olla parem viis kui täpsus, et võrrelda ja valida oma valideerimisandmetel erinevaid mudeleid, kuna see võtab arvesse tõenäosusi ja mitte ainult õigete ennustuste hulka. See on mõõdik selle kohta, kui hästi klassifikaatoril endal läheb ja definitsiooni kohaselt pole sel tingimata mingit seost backpropage'iga.