資料集、一般化和過度配適
透過集合功能整理內容
你可以依據偏好儲存及分類內容。
簡介
本單元的首要問題在於。
請選擇下列其中一個答案：
如果您必須優先改善下列其中一個面向
也就是最高
對吧？
改善資料集品質
優先處理所有數據資料，
資料集的品質和大小比
您用於建構模型的創新演算法
以更聰明的損失函式訓練模型
是，較好的損失函式有助於加快模型訓練速度，但
仍是這份清單中其他項目的遙遠。
還有一個比較關鍵的問題：
猜猜看：在您的機器學習專案中，
您通常是否花在資料準備與轉換？
超過一半的專案時間
是，機器學習從業人員大部分的時間都在使用
建構資料集及進行特徵工程。
不到一半的專案時間
規劃更多資金！機器學習作業通常約佔 80% 的時間
。
在本單元中，您將進一步瞭解機器學習的特性
以及如何準備資料，確保在短時間內取得高品質結果
來訓練及評估模型
除非另有註明，否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權，程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間：2024-08-13 (世界標準時間)。
[[["容易理解","easyToUnderstand","thumb-up"],["確實解決了我的問題","solvedMyProblem","thumb-up"],["其他","otherUp","thumb-up"]],[["缺少我需要的資訊","missingTheInformationINeed","thumb-down"],["過於複雜/步驟過多","tooComplicatedTooManySteps","thumb-down"],["過時","outOfDate","thumb-down"],["翻譯問題","translationIssue","thumb-down"],["示例/程式碼問題","samplesCodeIssue","thumb-down"],["其他","otherDown","thumb-down"]],["上次更新時間：2024-08-13 (世界標準時間)。"],[],[]]
