文件名称：MNIST训练数据集中的“不良”笔迹证明使CNN预测“良好”笔迹错误-研究论文
文件大小：1.63MB
文件格式：PDF
更新时间：2024-06-08 11:56:42
MNIST Wrong Labels
当我比较MNIST数据集中的人类学习模型和机器学习模型（ML）之间的错误时，我注意到人类在某些“不良”笔迹上会出错，而ML可以正确预测，而ML在某些“良好”笔迹上会出错。 我认为这可能是训练集中的“不良”笔迹，而机器学习者学会了他们正确地预测“不良”笔迹，但要付出预测某些“良好”笔迹错误的代价。 没有好的或不好的手写标记数据，甚至没有0-9的好的或不好的手写定义。 我将SD19v2 hsf4和hsf6用作标记数据，并将HR的360度性能评估方法作为SD19v2的“好”笔迹引入可接受样式的评估中，并将其应用于MNIST训练和测试数据集，并在CNN获悉后批准更多的31570个“不良”训练数据，与仅学习“良好”笔迹的CNN相比，在“良好”测试数据上产生的错误多17个。 使用这种方法，我发现hsf6中有6位作者，其数字图片被切错了，而在SD19v2 hsf4和hsf6的400个错误最多的数字图片中，有64张图片的标签错误，有59张很难分辨是什么。