中药教研室03课件讲解.pptxVIP

人工智能中药材识别算法训练中药教研室

目录训练前的准备核心训练流程模型评估与优化实践任务与总结

模型评估与优化

深入分析模型的分类表现混淆矩阵是评估分类模型性能最重要的可视化工具，它揭示了模型“错在哪里”。核心作用1以二分类为例，矩阵有四格：真正例(TP)、假正例(FP)、真反例(TN)、假反例(FN)。矩阵构成2精确率(Precision)=TP/(TP+FP)，衡量预测为正的样本中，真正为正的比例。关键衍生指标3评估指标：混淆矩阵

深入分析模型的分类表现召回率(Recall)=TP/(TP+FN)，衡量真实为正的样本中，被正确预测的比例。关键衍生指标4在中药材识别中，若混淆矩阵显示某两类药材常被混淆，则需检查其特征差异或补充更多样本。应用场景5评估指标：混淆矩阵

学习率是决定模型学习速度快慢与效果好坏的“油门”01控制模型在每次迭代中更新参数的步长。定义学习率太大，模型可能在最优值附近“震荡”，无法收敛，损失值居高不下。过大后果02学习率太小，模型收敛速度极慢，训练效率低下。过小后果03采用“学习率衰减”策略，训练初期设置较大值快速探索，后期减小值精细调整。常用策略04参数调优：学习率

提升模型性能的进阶方法数据增强在训练时，对图像进行随机裁剪、旋转、翻转等操作，让模型见识更多“姿态”，提高泛化能力。1迁移学习使用在大型数据集（如ImageNet）上预训练好