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	特徴の位置 特徴の得点 一致データ	特徴の位置 特徴の得点 一致データ	一致得点	欠陥領域 得点
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)。

 

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。