→ sxy67230: 做precision recall 06/27 19:22
→ sxy67230: 大量測試下看你實際上應用需要的狀況,像你偵測癌症就會 06/27 19:28
→ sxy67230: 希望recall高一點,誤判好細胞比讓癌症沒被殺死還要重要 06/27 19:28
→ sxy67230: 更正一下,意思是你把正常細胞判錯沒關係,但是如果癌 06/27 19:33
→ sxy67230: 細胞沒全殺光,有機會讓癌細胞擴散,那你的這套算法會 06/27 19:33
→ sxy67230: 讓醫院賠死 06/27 19:33
推 sxy67230: 所以才要recall高一點,其他應用也是一樣,看你希望應 06/27 19:36
→ sxy67230: 用上能盡可能抓到全部的東西,那就recall高一點,你希 06/27 19:36
→ sxy67230: 望盡量不要一直抓錯,那precision就高一點,但是相對來 06/27 19:36
→ sxy67230: 說miss的機率就會提高 06/27 19:36
推 sxy67230: 當然你也可以重頭重新標註資料,提升標註品質,那你rcnn 06/27 19:38
→ sxy67230: 正確率也會提高 06/27 19:38
→ fundamental: 先謝謝您的回覆,您說的比較像瑕疵辨識,寧可錯殺也 06/27 21:08
→ fundamental: 不放過任何一個 06/27 21:08
→ fundamental: 但我的應用上不只有兩個分類,可能沒辦法用這個方法 06/27 21:12
→ fundamental: 目前我是打算先用物件偵測找出物品位置再做分類辨識 06/27 21:19
→ fundamental: 將辨識問題拆為兩段,物件偵閾值應該就能設比較高了 06/27 21:21
→ sxy67230: 多分類是可以比照二分類的方式,畫PR曲線找到比較理想 06/27 21:40
→ sxy67230: 的threshold。 06/27 21:40
→ sxy67230: 上面只是舉例二分類,多分類一樣能透過pr找到threshold 06/27 21:41
→ sxy67230: 較佳值。 06/27 21:41
→ fundamental: 了解 謝謝您的分享 06/27 21:52