آیا تا به حال به این فکر کردید که چرا مدلهای هوش مصنوعی گاهی در عمل، عملکردی متفاوت از تستهای اولیه دارند؟ یکی از دلایل اصلی، روش «تقسیم دادهها» (Train-Test Split) است.
محققان در پژوهش جدید خود با بررسی روشهای مختلف تقسیم داده، متوجه شدند که روشهای سنتی گاهی باعث ایجاد شکاف در توزیع آماری دادهها میشوند. آنها روش جدیدی به نام «Optimised-Distribution» را معرفی کردهاند که با بهینهسازی توزیع دادهها، دقت ارزیابی مدلهای AutoML را به شکل چشمگیری افزایش میدهد. این دستاورد گامی مهم برای توسعه مدلهای قابلاعتمادتر در یادگیری ماشین است.
منبع: arXiv Machine Learning