知识卡片
语料切分要防同源近重复泄漏
将同一本书的相邻句随机分到训练与验证,可能使语境和近重复跨集合。若想评价跨章节或新文档泛化,需按相应来源分组;随机90/10只是一种划分方式,独立性要由目标和数据关系判断。
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
原书出处 · 1 处
- · 查看原书依据
Now, you want to set aside some samples for evaluating your loss mid-training. Usually, you would need to wrap them in the DataLoader wrapper, but luckily, the transformers package simplifies things.
参考来源
- 位置:《Natural Language Processing in Action, Second Edition》第10章《真实世界中的大语言模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Natural Language Processing in Action, Second Edition/_epub-src/OEBPS/Text/chapter-10.html)
- 结论依据:摘录中关于语料切分要防同源近重复泄漏的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:Now, you want to set aside some samples for evaluating your loss mid-training. Usually, you would need to wrap them in the DataLoader wrapper, but luckily, the transformers package simplifies things.