知识卡片
过滤规则应保留任务所需的信息
清洗无关标记、低质量与不允许使用的字段,可以提高可用性。但HTML、Markdown、姓名或其他字段是否删除,取决于具体任务与规则,不能一律处理。过滤后需检查关键切片和边缘案例是否被误删。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 数据集工程
原书出处 · 1 处
- · 查看原书依据
除非你想让模型学习HTML标签,否则应将其移除。Databricks发现,移除多余的Markdown和HTML标记后,模型的准确率提高了20%,同时输入的token长度减少了60%。
参考来源
- 位置:《AI工程:大模型应用开发实战》第8章《数据集工程》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section016.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:除非你想让模型学习HTML标签,否则应将其移除。Databricks发现,移除多余的Markdown和HTML标记后,模型的准确率提高了20%,同时输入的token长度减少了60%。