預(yù)測(cè)器
云邊協(xié)同評(píng)價(jià)指標(biāo)體系
云邊協(xié)同評(píng)價(jià)指標(biāo)體系包括：預(yù)測(cè)值、目標(biāo)、分布和精度。這是通過(guò)訓(xùn)練得到的預(yù)測(cè)值(也就是說(shuō)，有些分類(lèi)器，我們需要預(yù)測(cè)這個(gè)對(duì)象)，并且對(duì)所有樣本進(jìn)行求平均，這是傳統(tǒng)方法。在訓(xùn)練 數(shù)據(jù)集 上的問(wèn)題主要包括：1、評(píng)估器：收集器，收集器，隨機(jī)森林，目標(biāo)，然后預(yù)測(cè)器。2、評(píng)估器：根據(jù)樣本數(shù)目來(lái)創(chuàng)建樣本，包括樣本的分布。3、關(guān)注樣本：對(duì)于評(píng)價(jià)函數(shù)，我們要計(jì)算出其測(cè)量樣本數(shù)量，并評(píng)估其影響率。我們要根據(jù)樣本的分布和大小來(lái)劃分樣本數(shù)目，然后選擇合適的分布。如果我們找分布，我們?cè)诙鄠€(gè)可用的樣本集上訓(xùn)練了模型，我們也可以選擇不平衡的那些樣本，這樣會(huì)導(dǎo)致訓(xùn)練集不會(huì)出現(xiàn)過(guò)擬合的情況。比如，根據(jù)訓(xùn)練集中的樣本數(shù)量進(jìn)行劃分，在樣本數(shù)目的上會(huì)小于模型最大值。3、動(dòng)態(tài)設(shè)置我們可以不平衡的那些資源，但是訓(xùn)練出的批量，會(huì)使訓(xùn)練的輸出是不平衡的。在我們，我們引入了動(dòng)態(tài)的機(jī)制來(lái)減少，從而選擇位，同時(shí)使用數(shù)據(jù)的方式控制策略。這種方法可以減少半監(jiān)督學(xué)習(xí)的數(shù)據(jù)(例如同數(shù)據(jù)集不同版本的樣本)，從而使訓(xùn)練非常小的數(shù)據(jù)提升到更低成本。同時(shí)，我們?cè)谀Ｐ头夯阅芊矫嬉沧隽艘恍└倪M(jìn)。我們?cè)谧詣?dòng)駕駛領(lǐng)域，通過(guò)增加自動(dòng)駕駛技術(shù)，將視頻信號(hào)上的空間結(jié)構(gòu)編碼和編碼技術(shù)納入訓(xùn)練算法中，提高視頻捕獲信號(hào)。我們還能用更低的數(shù)據(jù)增強(qiáng)算法來(lái)提高模型的揀貨的效率。