「垃圾、垃圾」
之前的配量適用於機器學習。畢竟，模型的長度與資料一樣重要。不過，您如何評估資料集的品質？ 你需要取得多少資料才能取得有用的結果？ 答案會因您想解決的問題類型而異。
資料集大小
原則上，模型的訓練數量應比可訓練的參數數量更多。大型資料集的簡易模型通常比小型資料集處理精美模型。Google 的成功在大型資料集上訓練簡單的線性迴歸模型。
何謂「大量」資料？視專案而定。請考量這些資料集的相對大小：
| 資料集 | 大小 (範例數) |
|---|---|
| 鳶尾花資料集 | 150 (總計) |
| MovieLens (2 千萬個資料集) | 20,000,263 (總計) |
| Google Gmail 智慧回覆 | 238,000,000 (訓練集) |
| Google 圖書 (英國) | 468,000,000,000 (總計) |
| Google 翻譯 | 兆 |
如您所見，資料集有多種大小。
資料集的品質
如果資料品質不佳，也不會用到大量的資料；品質很重要。但什麼是「品質」？這個字詞十分模糊不清。 建議您考慮採取特定做法，並選用能帶來最佳結果的選項。以此的心態來說，品質良好的資料集是協助您改善業務問題的好幫手。換句話說，如果資料完成預期的工作，資料就會是「良好」。
不過，收集資料時，建議使用更具體的品質定義。品質的某些部分往往對應到成效較佳的模型：
- 可靠性
- 功能呈現
- 盡量減少偏差
可靠性
可靠性是指資料信任程度。 相較於在不可靠的資料上訓練的模型，透過可靠資料集訓練的模型較有可能產生實用的預測內容。在評估可靠性時，您必須決定：
- 標籤錯誤的頻率為何？例如，如果資料已加上人類標籤，有時候就會有錯誤。
- 你們的功能有用嗎？舉例來說，GPS 測量結果會有所波動。有些噪音是可以接受的。您永遠不會清除資料集的所有雜訊。您還可以收集更多範例。
- 資料是否經過正確篩選？例如，您的資料集是否包含來自機器人的搜尋查詢？如果您目前正在建構垃圾內容偵測系統，則答案可能為「是」，但如果您試圖改善人工審查結果，則否。
什麼因素會使資料不可靠？自機器學習密集課程中，回想到這個資料集中，有一或多個範例造成的建構作業不可靠：
- 省略的值。例如，有人忘記為房屋的年齡輸入值。
- 重複的範例。例如，伺服器誤上傳相同的記錄兩次。
- 標籤有誤，例如將某人的橡樹樹圖片誤認為地圖。
- 特徵值無效。例如，有人輸入了額外的數字，或者在陽光下留下了體溫計。
Google 翻譯著重於評估可靠性「最佳」的子集，也就是部分資料的標籤品質高於其他部分。
功能呈現
回想一下，機器學習密集課程說明瞭資料與實用功能的對應。你可以考慮回答以下問題：
本課程的「轉換資料」一節會將重點放在特徵表示法。
訓練與預測
假設您在離線時獲得了出色的結果。但在即時實驗中，這類結果不會保留。可能的原因為何？
這個問題會顯示訓練/提供偏差，也就是在訓練期間針對指標與提供時間計算不同的結果。偏移的原因可能較為細微，但會對結果造成嚴重的影響。請確保您預測時模型可用的資料。在訓練期間，只使用您需要提供的功能，並確定訓練集能代表您的服務流量。