深入了解您的模型表現
了解您的模型，並隨時調整資料與訓練策略了解深入
Last updated
了解您的模型，並隨時調整資料與訓練策略了解深入
Last updated
DataVerse為您的AI模型效能提供了全面分析，一系列評估指標。 本指南將幫助您進入"Model Performance Page"，並理解各種可用的指標、可調閾值和針對特定類別的效能詳細信息。
從一個簡單的模型開始 - 您可以先嘗試以一個簡單的架構來訓練，驗證是否能達到效果，再進行較複雜的模型訓練來提升準確度。
參考實際操作影片：
DataVerse呈現了關鍵的評估指標，以評估您模型的效能，例如：
Precision: The ratio of true positives to the sum of true positives and false positives.
Recall: The ratio of true positives to the sum of true positives and false negatives.
F1 Score: The harmonic mean of precision and recall, providing a balance between the two metrics.
mAP: This mAP@[.5:.95] means average precision over different IoU thresholds, from 0.5 to 0.95, step 0.05 (0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95).
可調節的閾值: 您可以修改Confidence的閾值，這將影響precision和recall之間的平衡。通過調整閾值，您可以根據特定的使用情境，微調您的模型以優先考慮precision（減少f alse positives）或recall（減少false negatives）。
"Training job detail" 頁面顯示了您資料中每個單獨Class的表現指標。此功能允許您識別可能需要進一步優化的類別，例如針對某個Class進行額外的訓練數據，或模型微調。
有了Confidence閾值和針對特定Class的表現指標，能夠根據資料決策來優化和改進模型，來符合使用情境的獨特要求。
除了上述的評估指標，Dataverse還提供了與Optimizer相關的指標，以提供模型訓練過程的見解。這些指標可以幫助您了解模型學習的效果如何，以及是否需要進行最佳訓練的調整。
與Optimizer相關的指標包括：
此指標展示了模型在每個epoch的效能，通過監控每個epoch的評估指標，如precision、recall和F1 score，您可以觀察模型效能隨時間的演變。這可以幫助您識別任何潛在的問題，如 overfitting or underfitting，並進行必要的調整。
Loss function的預測值與實際目標值之間的差異。Epoch / Loss指標顯示每個epoch的損失值，使您可以跟踪模型如何收斂到最佳解。Loss value 隨時間減少表示模型有效地學習。但是，如果損失值停滯或增加，您可能需要調整模型的參數或結構。
Learning rate 是控制模型權重優化過程中，每次更新的大小的關鍵參數。Epoch / Learning Rate 指標展示了每個epoch，允許您評估模型的的learning rate是否適當。如果learning rate過高，模型可能會超越最佳解；learning rate過低可能會使模型收斂速度過慢或陷入次優解。監控此指標可以幫助您微調learning rate以實現最佳的模型訓練。
通過在"Training Job"上檢查評估和Optimizer相關的指標，您可以全面了解AI模型的效能和訓練進度。這些見解將使您能夠進行資料決策和調整，確保AI模型的成功開發和部署。
