Labelruis
term_id: label_noise
Category: basic_concepts
Definition
Labelruis verwijst naar discrepanties tussen de ware klasslabels van data-instances en de labels die zijn verstrekt in de trainingsdataset. Dit kan ontstaan door fouten bij menselijke annotatie, ambiguïteit in de data, of ruis in de meetinstrumenten. Labelruis kan de prestaties van machine learning-modellen aanzienlijk negatief beïnvloeden, waardoor robuuste leeralgoritmen nodig zijn om hiermee om te gaan.
Summary
Fouten of inconsistenties in de doellabels van een dataset die wordt gebruikt voor het trainen van supervised machine learning.
Key Concepts
- Datakwaliteit
- Robuust leren
- Annotatiefouten
- Symmetrische/asymmetrische ruis
Use Cases
- Modellen trainen op crowdsourced data
- Omgaan met onvolmaakte datasets uit de echte wereld
- Verbeteren van de robuustheid van modellen