Bir meyve işlemcisinin elmaları üç çeşide ayırmak için bir sınıflandırıcıya ihtiyacı var. Sınıf başına 150 etiketli görüntüleri var ve ImageNet'te önceden eğitilmiş bir ağ kullanarak transfer öğrenimi uyguladılar. Ayarlamadan sonra en iyi sonuçlar şunlardı: %68 eğitim doğruluğu ve %67 doğrulama doğruluğu. Uzman doğruluğu artırmak için ne yapmalı?

Eğitim ve doğrulama doğruluğu arasındaki küçük fark (%68'e %67) modelin yüksek yanlılığa sahip olduğunu ve veri kümesini yeterince öğrenemediğini gösterir. Bu durum genellikle yetersiz eğitim verisi nedeniyle ortaya çıkar. Daha fazla etiketli görüntü eklemek, modelin elma çeşitleri arasındaki ince farkları daha iyi öğrenmesine yardımcı olarak yanlılığı azaltır ve performansı artırır. Diğer seçenekler: Otomatik hiperparametre optimizasyonu (HPO) işi, modelin zaten yüksek yanlılığa sahip olduğu durumlarda sınırlı fayda sağlar; temel sorun veri eksikliğidir. Daha derin bir ağa geçmek ve varyansı artırmak, zaten yüksek yanlılığa sahip bir modelde aşırı uyuma yol açabilir ve genelleme yeteneğini kötüleştirebilir. Aynı ağ mimarisi ve veri kümesiyle yeniden eğitim yapmak, temel sorunu (veri eksikliği) çözmediği için benzer sonuçlar verecektir.