La siguiente tabla resume el índice de evaluación del aprendizaje de máquina que se utiliza en escenarios comunes:
(PD: el documento original contiene imágenes subidos a los recursos personales)
| categoría | escena | Descripción escena | escenarios | Índice Descripción | |||||
| imagen | Clasificación de imágenes | Identificar si la cifra es de una clase de objeto / Estado / escenarios para un único contenido de la imagen, lo que necesita el cuadro completo de la clasificación escena | 1, la recuperación de contenido de la imagen: identificar varios objetos personalizados necesidades de formación, junto con la información del negocio para mostrar los resultados del reconocimiento más ricos 2, revisión de la imagen: las reglas de auditoría de imagen personalizados, tales como fumar escenas en formación en directo y otras irregularidades 3, clasificación o de fabricación calidad: identificación de la línea de encargo de diversos productos, a fin de lograr la calidad automática de clasificación o 4, diagnóstico médico: la identificación de imágenes médicas personalizadas, diagnóstico ayudar visualmente médicos |
tasa de precisión (relación del número total de muestras y el número de muestras correctamente clasificados) | índice de exactitud (en términos de una categoría para la predicción correcta que el número total de muestras en el número de muestra y la categoría de predicción para la categoría, aquí es un índice de exactitud media de cada categoría) | Recall (de cualquier clase en términos del número total de muestras que el número de muestras predijo correctamente esa categoría y que categoría es, en este caso el índice de repetición media de cada categoría) | F1-score (en una categoría en términos de media armónica de precisión y la recuperación, donde el promedio de cada clase F1-score) | Diferentes categorías de F1-score (si existe una clasificación diferente de la F1-score en circunstancias muy diferentes, el efecto general es probable que sea por el modelo del efecto de la baja precisión de la clasificación se recomienda comprobar el número de casos en la formación de datos de destino diferentes etiquetas, se recomienda número objetivo de las diferentes categorías de equilibrada como sea posible.) | tasa de precisión TOP1-top5 (para archivos de imagen cada evaluación, basado en el nivel de confianza del modelo, a su vez ser dado el resultado del reconocimiento TOP1-top5, donde TOP1 nivel de confianza más alto, el nivel de confianza más bajo top5 Los valores exactos de menos TOP1 se refiere a los criterios de evaluación para "número TOP1 de reconocimiento es correcto, se determina que la correcta" exactitud valor dado es criterios de evaluación precisión .top2 para "TOP1 golpeado mientras uno o top2 resultado correcto, es decir, se determina que la correcta" precisión dada. ...... y así sucesivamente). |
| detección de objetos | Es capaz de detectar todas las fotografías dentro del nombre del objeto de destino, la ubicación. Adecuado para una imagen que identifique una pluralidad de objetos, contar objetos en la escena. | 1, videovigilancia: detectar si existen irregularidades como objetos, comportamientos aparecen 2, control de calidad industrial: tales como el número y la posición de detección de defectos menores en el cuadro 3, el diagnóstico médico: recuento de células médica, reconocimiento de hierbas |
mAP (MAP (Mean Media Precision) es un objeto de detección (Detección de Objetos) métricas algoritmo miden el algoritmo de efecto para la tarea de detección de objetos, cada objeto de clase puede calcular la relación precisa (precisión) y la recuperación (la Recall), en calcular una pluralidad de veces bajo diferentes umbrales / test, cada clase PR puede obtener una curva, área bajo la curva es el promedio) | relación de precisión (F1-score comparando los resultados del valor de umbral más alto de 0,2. Y el número total de objetos que el objeto bajo predicción del umbral exacto se predijo correctamente) | Recall (F1-score resultado de la comparación por el valor de umbral más alto de 0,2. Índice de repetición es menor que el número de objetos del número umbral de predijo correctamente el objeto real) | F1-score en diferentes valores de umbral | La precisión media de diferentes etiquetas (observaciones válidas puede comparar la exactitud de diferente etiqueta mirando a la precisión media de diferente etiqueta. Si la próxima gran precisión la presencia de diferencias, el efecto general es probable que sea por el modelo del efecto de la baja precisión de la etiqueta recomienda la formación de inspección datos en caso de que el número de destino de etiquetas diferentes, el número objetivo propuesto de etiquetas diferentes equilibrado posible.) | Mapa diferentes etiquetas | |
| segmentación de imágenes | 在图中包含多个目标时，识别每个目标的名称、位置（像素级），按目标名称计数。适合图中有多个目标、需用多边形标注或需识别目标轮廓的场景。 | 1、专业检测：应用于专业场景的图像分析，比如在卫星图像中识别建筑、道路、森林，或在医学图像中定位病灶、测量面积等 2、智能交通：识别道路信息，包括车道标记、交通标志等 |
mAP | 精确率 | 召回率 | 不同阈值下的F1-score | 不同标签的平均精度 | 不同标签的mAP | |
| 文本 | 文本分类 | 基于自建分类体系的机器学习方法，可实现文本自动分类。 | 1、投诉信息分类：训练客服投诉信息的自动分类，将每个用户投诉的内容进行分类管理，节省大量客服人力 2、媒体文章分类：训练网络媒体文章的自动分类，进而实现各类文章的自动分类 3、文本审核：定制训练文本审核的模型，如训练文本中是否含有违规/偏激性质的描述 4、其他：尽情脑洞大开，训练你希望实现的文本分类模型 |
准确率 | 精确率 | 召回率 | F1-score | 不同分类的F1-score | top1-top5准确率 |
| 短文本匹配 | 可判断两段短文本的相似度 | 在客服问答场景中，通过训练短文本匹配的模型，能够快速识别出知识库中与用户问题相似的相关问题，并推荐出相应的答案，快速提升客服问答效率 | 准确率 | 精确率 | 召回率 | F1-score | 各分类的F1-score/各分类的精确值/各分类的召回率 | ||
| 序列标注 | 通过定制标签，实现对一串文本中的每个序列单元进行分类标注。能够实现分词，词性标注，命名实体识别，关键词抽取，词义角色标注等应用功能 | 可以用于金融场景、医疗场景等的关键信息抽取，或者对对话的关键词槽的识别应用 | 精确率 | 召回率 | F1-score | ||||
| 视频 | 视频分类 | 可以分析视频的内容，识别出视频内人体做的是什么动作，物体/环境发生了什么变化。 | 1、人体动作监控：定制监控人体特殊动作，比如特殊手势，工地/后厨人员行为等 2、环境变化监控：定制监控环境变化，比如山体塌方，泥石流等 3、视频内容分析：快速分析视频内容，可用于短视频APP和直播平台中 4、物体状态变化监控：定制识别特定物体的移动方向、形态变化等 |
准确率 | 精确率 | 召回率 | F1-score | 不同分类的F1-score | top1-top5准确率 |
| 声音 | 声音分类 | 可以定制识别出当前音频是哪种声音，或者是什么状态/场景的声音 | 1、安防监控：定制识别不同的异常或正常的声音，进而用于突发状况预警。比如监控在工业生产场景中监控是否出现了异常噪音，从而辅助人工测试的时候判断是否出现bug。 2、科学研究：定制识别同一物种的不同个体的声音、或者不同物种的声音，协助野外作业研究。比如动物研究机构从野外采集的声音，借助于EasyDL声音分类模型，判断当前音频属于什么物种。 |
准确率 | 精确率 | 召回率 | F1-score | 不同分类的F1-score | top1-top5准确率 |
