統計結果の最適化
このセクションのトピックでは、VisionPro Deep Learning アプリケーションの統計パフォーマンスを向上させるのに役立つヒントとコツを紹介します。
適合率、再現率、F 得点の最適化
VisionPro Deep Learning の各ツールには、調整可能な許容値があるため、ツールに「慎重に」予測させることができます。
読み取り (青) ツール | 位置決め (青) ツール | 分類 (緑) ツール | 解析 (赤) ツール | |
---|---|---|---|---|
調整する場所 |
|
|
|
|
調整の対象 |
特徴の得点 |
特徴の得点 |
クラスの得点 |
欠陥の確率 |
また、各ツールのしきい値パラメータ (ツールの処理パラメータのいずれか) を調整できます。
しきい値パラメータを変更すると、再現率と適合率に次のように影響します。
しきい値 | 再現率 | 適合率 |
---|---|---|
しきい値を下げる |
増加する |
減少する |
しきい値を上げる |
減少する |
増加する |
しきい値パラメータを変更すると、偽陽性および偽陰性に次のように影響します。
しきい値 | 偽陽性 | 偽陰性 |
---|---|---|
しきい値を下げる |
減少する |
増加する |
しきい値を上げる |
増加する |
減少する |
バランスの取れた偽陽性 (FP) と偽陰性 (FN) の結果率を求めている場合は、F 得点の最適化を試みてください (総合と平均の両方)。
Note: 位置決め (青) の場合、低い適合率得点は、偽陽性を除外するモデルを用意している場合、それほど問題ではありません。
解析 (赤) 結果の最適化
解析 (赤) ツールのパフォーマンスを最適化するには、以下の点を念頭に置いてください。
- 未学習アイテムの AUC を優先する。
-
領域に基づいた AUC を優先する。
- これにはすべての不良サンプルをマークする必要がある。
- 通常はビューに基づいた AUC よりもかなり低い。
-
しきい値の設定はアプリケーションの要件によって異なる。
- 偽陽性を避けるにはしきい値を高くする
- 偽陰性を避けるにはしきい値を低くする。
- それ以外の場合は %FP = %FN が妥当である。