ภาพรวม

จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

MinDiff เป็นเทคนิคการแก้ไขแบบจำลองที่พยายามทำให้การแจกแจงสองครั้งเท่ากัน ในทางปฏิบัติ สามารถใช้เพื่อปรับสมดุลอัตราความผิดพลาดในส่วนต่างๆ ของข้อมูลของคุณโดยการลงโทษความแตกต่างของการกระจาย

โดยปกติ คุณจะใช้ MinDiff เมื่อพยายามให้แน่ใจว่ากลุ่มมีความเป็นธรรม เช่น ลดความแตกต่างในอัตราที่ผิดพลาด (FPR) หรืออัตราลบเท็จ (FNR) ระหว่างส่วนของข้อมูลที่เป็นของคลาสที่ละเอียดอ่อนและส่วนที่มีประสิทธิภาพดีกว่า สำหรับการอภิปรายเชิงลึกเกี่ยวกับตัวชี้วัดความเป็นธรรม ให้ทบทวนวรรณกรรมในหัวข้อนี้ 1 2 3

MinDiff ทำงานอย่างไร

จากตัวอย่างสองชุดจากชุดข้อมูลของเรา MinDiff จะลงโทษโมเดลระหว่างการฝึกสำหรับความแตกต่างในการกระจายคะแนนระหว่างสองชุด ยิ่งทั้งสองชุดมีความแตกต่างกันน้อยลงตามคะแนนการทำนาย บทลงโทษที่จะถูกนำไปใช้ก็จะยิ่งน้อยลง

บทลงโทษถูกนำไปใช้โดยการเพิ่มองค์ประกอบให้กับการสูญเสียที่แบบจำลองใช้สำหรับการฝึกอบรม สามารถคิดได้ว่าเป็นการวัดความแตกต่างในการกระจายการทำนายแบบจำลอง ในขณะที่รถไฟจำลอง จะพยายามลดโทษให้น้อยที่สุดโดยนำการแจกแจงมาใกล้กันมากขึ้น ดังที่แสดงในกราฟด้านล่าง

กราฟเปรียบเทียบ MinDiff

การใช้ MinDiff อาจมาพร้อมกับการประนีประนอมกับประสิทธิภาพในการทำงานเดิม MinDiff สามารถมีประสิทธิภาพในขณะที่ไม่ทำให้ประสิทธิภาพลดลงเกินความต้องการของผลิตภัณฑ์ แต่การตัดสินใจสร้างสมดุลระหว่างประสิทธิภาพและประสิทธิผลของ MinDiff ควรทำโดยเจตนาโดยเจ้าของผลิตภัณฑ์ สำหรับตัวอย่างที่แสดงวิธีการใช้ MinDiff โปรดดู สมุดบันทึกกรณีศึกษาของการแก้ไขแบบจำลอง

ทรัพยากร