🔬
在科學計算機上訓練 MNIST 分類器
一名創作者完全使用不可程式化的 Casio FX-82CE X 科學計算機，手動訓練二元 MNIST 分類器。手動訓練的感知器模型在驗證集上達到 67.04% 準確率，而使用 SGD 訓練 1,000 個 epoch 的版本達到 98.96%。
Search
Tag: #classification7 results
讓案例遠離 LLM，RAG 成本可降低 6 倍
文章主張，受監管的 RAG 分類系統不應將所有模糊案例直接交給 LLM。級聯架構會先處理可由規則決定的案例，再擷取針對性證據，最後只將未解決的案例升級給模型，以提升可稽核性、一致性、成本效益與延遲表現。
MedMNIST 資料集的無錯誤訓練
研究人員推出人工特殊智慧（Artificial Special Intelligence），一種用於機器學習分類模型無錯誤訓練的方法，避免重複錯誤。應用於 18 個 MedMNIST 生物醫學影像資料集，在 15 個上達到完美準確率，三個因雙標籤問題失敗。詳見 arXiv 預印本 2604.18916v1。
PLACO 提升人機團隊效能
PLACO 是一種多階段框架，旨在提升人機團隊的成本效益效能，特別適用於分類任務。它使用貝氏定則結合人類確定性標籤與 AI 機率性輸出，假設給定真值時條件獨立。此方法利用校準機率超越單獨人類或 AI 效能。
📰
XGBoost 多類別分類的編碼策略
開發者針對使用 XGBoost 進行多類別分類時，特徵與目標變數的編碼方式尋求建議。討論重點在於如何區分處理類別型特徵與目標標籤。
🔬
ROC-AUC 還是 F1？選擇正確評估指標
這篇討論詢問在評估分類模型時，應該何時使用 ROC-AUC，何時使用 F1 分數。選擇取決於類別不平衡、是否需要設定分類閾值，以及更重視排序能力還是精確率與召回率的平衡。
數位科技被動指數基金分類研究
數位科技板塊上市公司眾多，新主題如晶片至AI、網際網路至IoT湧現。行業分類無統一標準，基金產品隨產業迭代推出卻缺乏清晰歸類。分析投資者選擇困惑。