Comment mesurer un déséquilibre de classes dans les données d’un robot ?
Mesurer un déséquilibre de classes consiste à comparer le nombre d’exemples de chaque catégorie et la part qu’ils représentent dans les données du robot.
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
29 résultats
Mesurer un déséquilibre de classes consiste à comparer le nombre d’exemples de chaque catégorie et la part qu’ils représentent dans les données du robot.
Une pondération des classes donne plus d’importance aux exemples rares pendant l’entraînement, afin qu’un modèle robotique ne privilégie pas toujours la catégorie majoritaire.
Une annotation de données indique à un modèle ce que représente une image, un point, un son ou un événement selon une règle définie.
Il vaut mieux laisser un exemple non annoté lorsque l’image est ambiguë, trop dégradée ou hors règle, plutôt que d’ajouter un label inventé qui trompera le modèle.
Pour corriger une annotation sans contaminer l’évaluation, on versionne la correction, conserve l’ancienne trace et ne modifie pas silencieusement les données du test.
Mesurer l’accord entre annotateurs révèle si une règle est comprise de la même façon et si les labels sont assez stables pour entraîner ou évaluer un modèle.
Une règle d’annotation claire décrit l’unité à marquer, les classes, les frontières, les occlusions, les cas inconnus et la procédure à suivre quand le doute persiste.
Choisir des données d’apprentissage représentatives pour un robot consiste à couvrir les objets, lieux, personnes, éclairages, vitesses et exceptions rencontrés pendant la mission.
Une campagne de collecte doit s’arrêter lorsque les nouveaux exemples n’apportent plus de situations utiles, que la qualité baisse ou que les contraintes de sécurité et de vie privée sont atteintes.
Inclure des données négatives signifie montrer au modèle des situations où l’objet ou l’événement recherché est absent, afin qu’il apprenne à ne pas déclencher partout.
Collecter des données dans des situations rares sans mettre des personnes en danger consiste à privilégier simulation, objets instrumentés, zones contrôlées et consentement clair.
Enregistrer les métadonnées avec une observation indique quand, où, avec quel capteur, réglage, version et contexte la donnée a été produite.
Une question plus précise ?