Le taux d’erreur fait référence à la proportion d’erreurs de prédiction dans la prédiction. La formule de calcul est généralement : 1 – Précision (%)

Le modèle formé peut généralement être utilisé pour mesurer le taux d'erreur d'un modèle dans un ensemble de données, où trois nombres sont importants :

• Erreur optimale de Bayes : valeur limite idéale non mesurable qui peut être approximée par le taux d'erreur humaine dans la reconnaissance d'images.
• Erreur de train : le taux d'erreur du modèle utilisé sur le train ;
• Erreur de développement : le taux d’erreur du modèle utilisé sur l’ensemble de développement.

Stratégies pour réduire les taux d'erreur

1) Réduire les biais

• Essayez un modèle plus grand, comme un réseau neuronal avec plus de couches, plus de neurones, etc.
• Prolonger le temps de formation ;
• Ajustez l'algorithme d'optimisation, par exemple en essayant Momentum, RMS Prop, ADOM, etc.
• Passez aux modèles de réseaux neuronaux tels que CNN et RNN.

2) Réduire la variance

• Plus de données ajoutées ;
• Ajoutez des contraintes pour rendre la fonction ajustée plus fluide ;
• Passez aux modèles CNN et RNN.

Références:

【1】Stratégie d'apprentissage automatique (2) – Taux d'erreur