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。

# 評估和改善您的轉接器
<a name="using-adapters-evaluating-improving"></a>

在每一輪轉接器訓練之後，您會想要檢閱 Rekognition 主控台工具中的效能指標，以判斷轉接器與您想要的效能等級有多接近。然後，您可以通過上傳一批新的訓練映像並在專案中訓練新的轉接器，來進一步提高轉接器的映像準確性。建立改良版的轉接器之後，您可以使用主控台刪除不再需要的任何舊版轉接器。

您也可以使用 [DescribeProjectVersions](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DescribeProjectVersions.html) API 操作擷取指標。

## 效能指標
<a name="using-adapters-performance-metrics"></a>

完成訓練程序並建立轉接器之後，評估轉接器從映像擷取資訊的程度非常重要。

Rekognition 主控台提供了兩個指標，可協助您分析轉接器的效能：偽陽性改善和偽陰性改善。

您可以選取主控台轉接器部分的「轉接器效能」標籤，來檢視任何轉接器的這些指標結果。轉接器效能面板會顯示您建立之轉接器的偽陽性改善率和偽陰性改善率。

偽陰性改善措施會衡量轉接器對偽陰性的辨識，在基礎模型上有多少改善。如果偽陰性改善值為 25%，表示轉接器在測試資料集上將偽陰性的辨識提升 25%。

偽陰性改善措施會衡量轉接器對偽陰性的辨識，在基礎模型上有多少改善。如果偽陰性改善值為 25%，表示轉接器在測試資料集上將其對偽陰性的辨識提高 25%。

按標籤效能標籤可用來比較轉接器和基礎模型在每個標籤類別上的效能。該標籤顯示了基本模型和轉接器的偽陽性和偽陰性預測的計數，按標籤類別分層。透過檢閱這些指標，您可以判斷轉接器需要改進的位置。

例如，如果酒精標籤類別的基本型號假陰性率為 15，而轉接器假陰性率為 15 或更高，您就知道在建立新轉接器時應該專注於新增更多含有酒精標籤的映像。

使用 Rekognition API 操作時，會在呼叫 [DescribeProjectVersions](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DescribeProjectVersions.html) 操作時傳回 F1 分數指標。

## 改善模型
<a name="using-adapters-improving-model"></a>

轉接器部署是一個反覆的程序，因為您可能需要多次訓練轉接器，才能達到目標的準確度。建立並訓練轉接器之後，您會想要在各種類型的標籤上測試和評估轉接器的效能。

如果您的轉接器在任何區域都缺乏準確度，請新增這些映像的新範例，以提高轉接器對這些標籤的效能。嘗試為轉接器提供額外、多樣的範例，這些範例會反映其存在困境的情況。為您的轉接器提供具代表性、多樣化的映像，讓它能夠處理各種實際範例。

將新映像新增至訓練組後，請重新訓練轉接器，然後重新評估測試集和標籤。重複此程序，直到轉接器達到您想要的效能等級為止。如果您提供更具代表性的映像和註釋，則誤報和誤負評分。將在連續的訓練迭代中逐漸改進。