有没有办法用我的分类器对更多的训练数据进行分类，得到准确的结果？

Question

我试图用张量流进行图像分类。现在我正在收集和标注训练数据，但这是相当乏味，缓慢和痛苦的。目前，用我的手收集的训练数据，我的模型大约有57%的时间在一张图片中预测正确的课程，因为他们有6个不同的类别，这显然比随机猜测做得更好。

无论如何，我想知道我的分类器在57%的时间里是否正确；用这个分类器来标记新的训练数据，以便自动收集和标注训练数据，是否可行？很明显，这些训练数据不会贴上完美无缺的标签，其实只会贴上57%左右的标签，但这是否仍然有效呢？这会不会帮助模型的准确性，不会影响它，或损害它？这似乎是一个有趣的思维实验：

如果Z是标记新训练数据的分类器的精度，N是我们所拥有的训练数据示例的数目，G是我们模型在应用于新的非训练数据时的精度--当N接近无穷大时，G的极限是什么，以及它是如何依赖于Z的？

Answer 1

你的方法不应该有任何好处，因为你只会训练所有你认为你已经知道的东西(你正确地训练了所有你以前可以正确预测的东西，并且你错误地训练了所有你预测错误的东西) =>，如果你用你现在的分类器自动标记，在下一次训练之后你应该得到几乎相同的分类器。

但是:通常情况下，排序/修复预先标注的数据要比完全手工标记所有数据容易得多。如果在您的任务中是这种情况，您可以使用分类器预先排序数据和check+fix手动。然后训练对分类器进行改进，=>预排序的新数据会更好，=>更少的时间去check+fix =>，更少的时间来进一步改进分类器等等。

check+fix的好工具是irfanView：

1. 在文件夹中保存/排序标记的图像:每个文件夹都有一个标签
2. 使用箭头键遍历文件夹中的图像
3. 如果预排序错误，请按F7并将图像移动到子文件夹“错误”或某物中。
4. 最后，手动对“错误”文件夹进行排序，并将它们移动到它们的类文件夹中。