提高人工智能模型準確率的測試過程中需要注意什么？

現(xiàn)在人工智能行業(yè)發(fā)展迅猛，那么人工智能產(chǎn)品特別是使用分類算法實現(xiàn)的產(chǎn)品中判斷其能否上線通常是通過算法自帶的準確率指標進行對比進行的。而準確率是人工智能模型通過訓練后得出的，因此我們需要提高訓練的準確率，這其中增加訓練次數(shù)就是一個通用的方法，但是需要注意的是并不是訓練次數(shù)越多越好。本文就通過3步來講述怎樣保證合適的訓練次數(shù)來確保模型的準確率。

第一步：了解模型訓練和結(jié)果的關(guān)系

目標

掌握人工智能產(chǎn)品評測指標跟訓練過程的關(guān)系

步驟

1.人工智能產(chǎn)品的本質(zhì)是選擇合適算法然后根據(jù)歷史數(shù)據(jù)進行訓練得出一個最終的模型，通過這個模型即可對新數(shù)據(jù)進行預(yù)測，而預(yù)測的好壞取決于訓練時得到的這個模型的指標，比如說分類算法的準確率

2.分類算法的準確率在訓練結(jié)束的時候就已經(jīng)固定了，因此需要在訓練過程中進行一些改善的操作以期最終提升模型的準確率

3.通過增加訓練次數(shù)可以在訓練過程中讓算法更好的從歷史數(shù)據(jù)中歸納、統(tǒng)計規(guī)律進而提升模型的準確率。

第二步：過擬合的定義

目標

掌握過擬合的定義

步驟

1.模型準確率的判斷

• 我們的數(shù)據(jù)分為訓練數(shù)據(jù)和驗證數(shù)據(jù)，通過訓練數(shù)據(jù)進行訓練可以得到一個模型，而模型必須在驗證數(shù)據(jù)上進行評測才能科學評判其準確率，在訓練數(shù)據(jù)上的準確率沒有參考價值

• 在訓練數(shù)據(jù)上隨著訓練次數(shù)的增加，訓練集上的準確率會增加，但是增加到一定程度的話就必須停止訓練了，因為算法已經(jīng)將數(shù)據(jù)中的規(guī)律全部學習完畢，再進行訓練算法會學習到一些不屬于規(guī)律的噪音數(shù)據(jù)。這時候我們就稱之為訓練過程中出現(xiàn)了過擬合。

2.過擬合的定義

• 過擬合就是模型的準確率在訓練集上很高，但是在驗證集上比較差，這時候訓練得出的模型是不能上線的。

第三步：通過圖形判斷過擬合來確保模型準確率

目標

• 掌握圖形判斷過擬合的方法

• 掌握確保準確率的方法

步驟

1.通過準確率判斷過擬合,如下圖所示：

• 如果圖形中在驗證集上的準確率先上升后下降而訓練集的準確率一直上升的話在驗證集準確率下降的一刻就表示出現(xiàn)了過擬合

2.通過損失率判斷過擬合，如下圖所示：

• 如果圖形中在驗證集上的損失率先下降后上升而訓練集的準確率一直下降的話在驗證集準確率上升的一刻就表示出現(xiàn)了過擬合。

3.在出現(xiàn)過擬合的一刻結(jié)束模型的訓練，可保證模型的準確率達到最佳

總結(jié)

測試人員在測試人工智能產(chǎn)品的時候，需要對模型的準確率做個提升的測試，而通過增加訓練次數(shù)可以很好達到這個效果，需要注意的是訓練次數(shù)有個度，而通過圖形檢測在出現(xiàn)過擬合的同時結(jié)束模型訓練可以確保模型的質(zhì)量最佳。推薦了解傳智播客人軟件測試培訓課程。


猜你喜歡：
如何模擬弱網(wǎng)測試？