翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# Amazon Rekognition Custom Labels モデルの改善
機械学習モデルのパフォーマンスは、カスタムラベル (関心のある特定のオブジェクトやシーン) の複雑さや変動性、提供するトレーニングデータセットの品質と代表力、モデルのトレーニングに使用されるモデルフレームワークと機械学習手法などの要因に大きく依存します。
Amazon Rekognition Custom Labels を使用すると、このプロセスが簡単になり、機械学習の専門知識は必要ありません。ただし、優れたモデルを構築するプロセスでは、多くの場合望ましいパフォーマンスを実現するためにデータとモデル改善の反復が必要です。以下は、モデルを改善する方法に関する情報です。
## データ
一般に、より質の高いデータを大量に収集することにより、モデルの品質を向上させることができます。オブジェクトまたはシーンをはっきりと表示し、不要なアイテムが散らかっていないトレーニングイメージを使用してください。オブジェクトを囲む境界ボックスには、オブジェクトが完全に見え、他のオブジェクトに遮られないトレーニングイメージを使用してください。
トレーニングデータセットとテストデータセットが、最終的に推定対象となるイメージの種類と一致していることを確認してください。ロゴのようにトレーニング例がわずかしかないオブジェクトでは、テストイメージのロゴの周囲に境界ボックスを配置する必要があります。これらのイメージは、オブジェクトをローカライズするシナリオを表したり、描写したりします。
トレーニングデータセットまたはテストデータセットにイメージを追加する方法については、「[データセットへのイメージの追加](md-add-images.md)」を参照してください。
## 偽陽性の削減 (適合率の向上)
+ まず、想定しきい値を増やすことによって、偽陽性を減らしながら正しい予測を維持できるかどうかを確認します。ある時点では、特定のモデルの適合率と再現率のトレードオフが原因で、この効果が低下します。ラベルに想定しきい値を設定することはできませんが、`MinConfidence` 入力パラメータに `DetectCustomLabels` の高い値を指定しても同じ結果が得られます。詳細については、「[トレーニングされたモデルによるイメージの分析](detecting-custom-labels.md)」を参照してください。
+ 対象の 1 つ以上のカスタムラベル (A) が、同じクラスのオブジェクト (関心のあるラベルではない) (B) と頻繁に混同されることがあります。わかりやすいように、B をオブジェクトクラスラベルとして (偽陽性のあったイメージと一緒に) トレーニングデータセットに追加してください。つまり、新しいトレーニングイメージを通じて、モデルが A ではなく B を予測できるように学習させます。トレーニングデータセットにイメージを追加する方法については、「[データセットへのイメージの追加](md-add-images.md)」を参照してください。
+ 2 つのカスタムラベル (A と B) によってモデルが混同されていることに気付くかもしれません。ラベル A のテストイメージはラベル B であると予測され、その逆も同様です。その場合は、まずトレーニングセットとテストセットに誤ったラベルの付いたイメージがないか確認します。データセットギャラリーを使用して、データセットに割り当てられたラベルを管理します。詳細については、「[ラベルの管理](md-labels.md)」を参照してください。また、この種の混同に関連してトレーニングイメージを追加すると、再トレーニングされたモデルが A と B をより適切に区別しやすくなります。トレーニングデータセットにイメージを追加する方法については、「[データセットへのイメージの追加](md-add-images.md)」を参照してください。
## 偽陰性の削減 (再現率の向上)
+ 想定しきい値には低い値を使用してください。ラベルに想定しきい値を設定することはできませんが、`MinConfidence` 入力パラメータに `DetectCustomLabels` の低い値を指定しても同じ結果が得られます。詳細については、「[トレーニングされたモデルによるイメージの分析](detecting-custom-labels.md)」を参照してください。
+ より適切な例を使用して、オブジェクトとそれが表示されるイメージの両方の多様性をモデル化してください。
+ ラベルを覚えやすい 2 つのクラスに分けてください。例えば、良いクッキーと悪いクッキーの代わりに、良いクッキー、焦げたクッキー、欠けたクッキーを用意して、モデルがそれぞれのユニークな概念をよりよく学習できるようにします。