Hello 圖片資料：評估及分析模型效能

使用 Google Cloud 控制台查看模型效能。分析測試錯誤，修正資料問題，反覆提升模型品質。

本教學課程包含多個頁面：

1. 設定專案和環境。

2. 建立圖片分類資料集，並匯入圖片。

3. 訓練 AutoML 圖片分類模型。

4. 評估及分析模型效能。

5. 將模型部署至端點，並傳送預測要求。

6. 清理專案。

各頁面都假設您已按照教學課程先前頁面的指示操作。

1. 瞭解 AutoML 模型評估結果

訓練完成後，系統會自動根據測試資料分割區評估模型。如要查看對應的評估結果，請在「Model Registry」(模型登錄) 頁面或「Dataset」(資料集) 頁面中，按一下模型名稱。

接著，您就能找到評估模型成效的指標。

如要進一步瞭解各種評估指標，請參閱「評估、測試及部署模型」一節。

2. 分析測試結果

如要繼續提升模型效能，通常第一步是檢查錯誤案例，並調查可能原因。每個類別的評估頁面都會顯示詳細的測試圖片，並將特定類別歸類為偽陰性、偽陽性和真陽性。如要瞭解各類別的定義，請參閱「評估、測試及部署模型」一節。

點選每個類別下方的圖片，即可進一步查看預測詳細資料，並存取詳細分析結果。頁面右側會顯示「查看類似圖片」面板，其中會呈現訓練集最接近的樣本，並以特徵空間中測量的距離表示。

您可能需要注意以下兩種資料問題：

1. 標籤不一致。如果訓練集中的視覺相似樣本與測試樣本的標籤不同，可能是其中一個標籤有誤，或是細微差異需要更多資料供模型學習，也可能是目前的類別標籤不夠準確，無法描述指定樣本。查看類似圖片有助於修正錯誤案例，或從測試集中排除有問題的樣本，確保標籤資訊正確無誤。您可以在同一頁面的「查看類似圖片」面板中，輕鬆變更測試圖片或訓練圖片的標籤。

2. 離群值。如果測試樣本標示為離群值，訓練集中可能沒有視覺上相似的樣本，無法協助訓練模型。查看訓練集中的類似圖片，有助於找出這些樣本，並將類似圖片新增至訓練集，進一步提升模型在這些情況下的效能。

後續步驟

如果對模型效能感到滿意，請按照本教學課程的下一頁操作，將訓練好的 AutoML 模型部署至端點，並將圖片傳送至模型進行預測。否則，如果對資料進行任何修正，請使用「訓練 AutoML 圖片分類模型」教學課程訓練新模型。