本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 改善 Amazon Rekognition 自訂標籤模型
<a name="tr-improve-model"></a>

機器學習模型的效能大部分會依據多種因素而定，例如自訂標籤的複雜性和變化性 (您感興趣的特定物件和場景)、您提供的訓練資料集的品質和代表性能力，以及用於訓練模型的模型架構和機器學習方法。

Amazon Rekognition 自訂標籤讓這個程序更簡單，而且不需要機器學習專業知識。但是，建置良好模型的程序通常需要重複資料和模型改進，才能實現所需的效能。以下是有關如何改進模型的資訊。

## 資料
<a name="im-data"></a>

一般而言，您可以利用品質較佳的資料來提升模型的品質。使用訓練影像，清楚地顯示物體或場景，並且不會和不必要的物品雜亂地堆放在一起。對於物件周圍的週框方塊，請使用訓練影像，將物件顯示為完全可見並且不會被其他物件遮擋。

請確保您的訓練和測試資料集與您最終將執行推論的影像類型相符。對於只有一些訓練範例的物件 (例如標誌)，您應該在測試影像中的標誌周圍提供週框方塊。這些影像會代表或描繪您要在其中本地化物件的案例。

若要將更多影像新增至訓練或測試資料集，請參閱 [將更多圖像新增至資料集](md-add-images.md)。

## 減少誤報 (精確度更佳)
<a name="im-reduce-false-positives"></a>
+ 首先，檢查是否增加假設閾值可讓您保持正確的預測，同時減少誤報。在某些時候，由於特定模型的精確度和呼叫之間的取捨，這會減少效益。您無法設定標籤的假設閾值，但是可以透過指定 `MinConfidence` 輸入參數的高值至 `DetectCustomLabels` 來實現相同的結果。如需詳細資訊，請參閱[使用經過培訓的模型分析圖像](detecting-custom-labels.md)。
+ 您可能會看到一個或多個感興趣的自訂標籤 (A) 始終與同類物件 (但不是您感興趣的標籤) (B) 混淆。為了協助您，請將 B 作為物件類標籤新增到訓練資料集 (以及您取得誤報的影像)。實際上，您正在透過新的訓練影像協助模型學習預測 B 而不是 A。若要將更多影像新增至訓練資料集，請參閱 [將更多圖像新增至資料集](md-add-images.md)。
+ 您可能會發現模型被兩個自訂標籤 (A 和 B) 混淆 — 具有標籤 A 的測試影像被預測為具有標籤 B，反之亦然。在這種情況下，請先檢查訓練和測試集中是否有標記錯誤的影像。使用資料集圖庫管理指派給資料集的標籤。如需詳細資訊，請參閱[管理標籤](md-labels.md)。此外，新增更多與此混淆類型相關的訓練影像，將有助於重新訓練的模型更能區分 A 和 B。若要將影像新增至訓練資料集，請參閱 [將更多圖像新增至資料集](md-add-images.md)。

## 減少漏報 (更佳的取回率)
<a name="im-reduce-false-negatives"></a>
+ 針對假設閾值使用較低的值。您無法設定標籤的假設閾值，但是可以透過指定 `MinConfidence` 輸入參數的較低值至 `DetectCustomLabels` 來實現相同的結果。如需詳細資訊，請參閱[使用經過培訓的模型分析圖像](detecting-custom-labels.md)。
+ 使用更佳的範例來模擬物件及在其中顯示物件的影像的變化。
+ 將您的標籤分割成兩個更容易學習的課程。例如，與其使用好的 cookie 和壞的 cookie，您可能需要好的 cookie、燒焦的 cookie 和破碎的 cookie 來協助模型更深入地學習每個獨特的概念。