Podczas tej lekcji debugujesz rzeczywisty system ML* związany z XVIII-wieczną literaturą.
Prawdziwy przykład: literatura XVIII wieku
Prawdziwy przykład: literatura XVIII wieku
- Profesor XVIII-wiecznej literatury chciał przedyskutować poglądy polityczne tylko na podstawie &metapomysłów.
Prawdziwy przykład: literatura XVIII wieku
- Profesor XVIII-wiecznej literatury chciał przedyskutować poglądy polityczne tylko na podstawie &metapomysłów.
- Zespół badaczy stworzyła obszerny zbiór danych z wieloma autorami, dziełami, zdańmi po zdań oraz podziałem na zbiory do trenowania, walidacji i testów.
Prawdziwy przykład: literatura XVIII wieku
- Profesor XVIII-wiecznej literatury chciał przedyskutować poglądy polityczne tylko na podstawie &metapomysłów.
- Zespół badaczy stworzyła obszerny zbiór danych z wieloma autorami, dziełami, zdańmi po zdań oraz podziałem na zbiory do trenowania, walidacji i testów.
- Wytrenowany model sprawdził się niemal w danych testowych, ale badacze zauważyli, że wyniki są podejrzanie dokładne. Co mogło pójść nie tak?
Prawdziwy przykład: literatura XVIII wieku
Dlaczego uważasz, że dokładność testu była podejrzanie wysoka? Sprawdź, czy możesz rozwiązać problem, a następnie kliknij przycisk Zagraj poniżej ▶, żeby sprawdzić, czy jesteś poprawny.
Prawdziwy przykład: literatura XVIII wieku
- Podział danych A: badacze umieszczają każdy z przykładów w zestawie treningowym, część w zestawie do walidacji, a część w zestawie testowym.
Wszystkie przykłady Roberta można znaleźć w zestawie szkoleniowym, a wszystkie przykłady Swifta w zestawie walidacji.
Prawdziwy przykład: literatura XVIII wieku
- Podział danych B: badacze umieszczają wszystkie przykłady autorów w jednym zestawie.
Prawdziwy przykład: literatura XVIII wieku
- Podział danych A: badacze umieszczają każdy z przykładów w zestawie treningowym, część w zestawie do walidacji, a część w zestawie testowym.
- Podział danych B: badacze umieszczają wszystkie przykłady autorów w jednym zestawie.
- Wyniki: model wytrenowany na potrzeby podziału danych A miał znacznie większą dokładność niż model wytrenowany w podziale danych B.
Prawdziwy przykład: literatura XVIII wieku
Bardzo moralne: starannie zastanów się, jak podzielić przykłady.
Dowiedz się, co przedstawiają dane.
* Ponownie oprzeliśmy ten moduł nadmiernie luźno (wprowadzaliśmy pewne modyfikacje) w artykule &&tt;Meaning and Mining: Impact of Impactit Aspositions in Data Minting for the humanities & Sculley and Pasanek.