Una precisión del 95% no vale si el modelo ya ha visto las respuestas
Útil para
El artículo explica que una precisión del 95% medida con datos usados en el entrenamiento suele ser optimista, y que con datos nuevos el modelo puede caer hasta el 70%. Describe la validación cruzada: dividir los datos en bloques, por ejemplo diez, entrenar con nueve y probar con el restante, repetir cambiando el bloque de prueba y promediar los resultados. Cita el método bootstrap de Efron de 1979 como antecedente estadístico.
Qué significa
Al evaluar un modelo de IA, la cifra de precisión solo es fiable si indica con qué datos se midió; una cifra obtenida con los propios datos de entrenamiento puede dar una impresión de rendimiento mayor que la real.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- #LLMタグLeer la noticia completa en #LLMタグ