Nieuwe kalibratiemethode voor tabellarische classifiers
Onderzoekers presenteren een techniek genaamd LWCal om tabellarische classificatiemodellen te verbeteren bij onbetrouwbare trainingslabels. Dit helpt om de betrouwbaarheid van voorspellingen te vergroten wanneer de referentiedata imperfect is.
Bij het trainen van machine learning-modellen wordt vaak uitgegaan van foutloze data. In de praktijk blijken labels echter regelmatig onvolkomenheden te bevatten doordat ze automatisch of via historische beslissingen zijn verzameld. Er is nu een methode ontwikkeld die hier beter mee omgaat.
Omgaan met onzuivere data
Het corrigeren van modellen is een belangrijk onderdeel van het toepasbaar maken van voorspellende systemen in de praktijk. Doordat data uit de echte wereld zelden perfect is, dragen dit soort statistische verbeteringen bij aan stabielere toepassingen.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel