Howtosignalprocessing
- Qu'est-ce que les réductions de réduction de l'apprentissage automatique?
- Pourquoi réduisant l'apprentissage automatique?
- Les réductions de réduction réduisent la précision?
- Pourquoi utilisons-nous les réductions?
Qu'est-ce que les réductions de réduction de l'apprentissage automatique?
La réduction de l'échantillonnage (dans ce contexte) signifie une formation sur un sous-ensemble disproportionnellement bas des exemples de classe majoritaire. La pondération signifie ajouter un exemple de poids à la classe échantillonnée égale au facteur par lequel vous avez échantillonné.
Pourquoi réduisant l'apprentissage automatique?
La réduction de l'échantillonnage est un mécanisme qui réduit le nombre d'échantillons de formation qui relèvent de la classe majoritaire. Car cela aide à augmenter les dénombrements des catégories cibles. En supprimant les données collectées, nous avons tendance à perdre tant d'informations précieuses.
Les réductions de réduction réduisent la précision?
Avec l'augmentation du taux de réduction des réductions, la précision de tous les modèles augmente, car davantage d'informations générales sont fournies dans l'ensemble de formation pour éviter les faux positifs. Contrairement aux détecteurs en deux étapes, SSD a une précision de détection beaucoup plus faible.
Pourquoi utilisons-nous les réductions?
La réduction de l'échantillonnage vous permet de créer des modèles encore plus petits car l'algorithme d'apprentissage automatique ne nécessite pas autant de points de données de formation. Pour l'IA intégrée, l'utilisation de la mémoire est vitale; La création d'un modèle plus petit mais toujours très précis vous permet d'économiser de l'espace pour d'autres code et processus d'application sur l'appareil.
