[MLY] Eyeball 데이터와 Blackbox 데이터는 얼마나 커야 할까?
만든 알고리즘에서 발생하는 주요 오류 카테고리를 파악하기 위해서는 Eyeball dev set이 충분히 커야 한다. 만약 (이미지에서 고양이를 인식하는 것과 같이) 사람이 잘하는 것에 대해서 신경쓰려면, 몇가지 대략적인 가이드라인을 들 수 있다. - 분류기가 10개 정도의 실수를 하는 eyeball dev set은 매우 작은 크기라고 고려할 수 있다. 보통 10개의 오류라고 하면, 이게 다른 오류 카테고리라고 정확하게 평가하기 어렵다. 하지만 만약 가지고 있는 데이터가 매우 작고, eyeball dev set에 더 넣을 데이터가 없다면, 해당 dev set은 없는 것보다 낫고, 프로젝트 내에서 우선순위를 정할때 도움이 된다. - 분류기가 20개 정도의 실수를 하는 eyeball dev set이라면, 대략..
Study/AI
2018. 9. 9. 23:51
공지사항
최근에 올라온 글
최근에 달린 댓글
- Total
- Today
- Yesterday
TAG
- Policy Gradient
- TensorFlow Lite
- Expression Blend 4
- Windows Phone 7
- SketchFlow
- bias
- RL
- 강화학습
- Kinect for windows
- Off-policy
- Gan
- Kinect
- reward
- Kinect SDK
- arduino
- ColorStream
- Offline RL
- PowerPoint
- Variance
- processing
- 파이썬
- Pipeline
- windows 8
- DepthStream
- Distribution
- End-To-End
- dynamic programming
- Python
- 딥러닝
- 한빛미디어
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 | 29 |
30 |
글 보관함