Исследователи представляют систематическую эмпирическую оценку скоростей сходимости кривых обучения, чтобы восполнить отсутствие руководств на основе данных для определения минимальных размеров выборок в задачах классификации на основе инерциальных датчиков.
- В исследовании представлена единая рамка анализа производительности классификации в бинарных и многоклассовых сценариях, из которой выводится эмпирическая формула для оценки производительности относительно размера набора данных.
- Тестирование на шести разнообразных реальных наборах данных, суммарно содержащих 102.7 часов инерциальных измерений, показывает, что точность следует согласованной логарифмической закономерности роста независимо от сложности задачи.
- Авторы предлагают количественный метрику точки стабильности, определенную как размер выборки, необходимый для стабилизации кривой обучения в пределах заданного среднего абсолютного процентного отклонения ее асимптотического максимума.
- Анализ показывает, что модели часто достигают практической стабильности с существенно меньшим количеством образцов, чем предполагают традиционные эвристики, что позволяет экстраполировать общие требования к данным из маломасштабных пилотных исследований.
Эти результаты предлагают конкретные, основанные на данных рекомендации для планирования кампаний записи в приложениях инерциального зондирования, смещая парадигму от максимизации объема данных к оптимизации эффективности использования данных.