Ratschläge für Machine-Learning-Forschende (Übersetzung)

1. Was vor dem Erstellen eines Modells zu tun ist

1.1. Sehen Sie sich die Daten an

1.2. Sehen Sie sich nicht alle Daten an

1.3. Beschaffen Sie ausreichend viele Daten

1.4. Tauschen Sie sich mit Domain-Expertinnen und -Experten aus

1.5. Recherchieren Sie gründlich im Voraus

1.6. Berücksichtigen Sie die Einsatzsituation des Modells

2. Wie man ein zuverlässiges Modell erstellt

2.1. Verhindern Sie, dass Informationen aus den Testdaten durchsickern

2.2. Probieren Sie verschiedene Modelle aus

2.3. Vermeiden Sie den Einsatz ungeeigneter Modelle

2.4. Optimieren Sie die Hyperparameter

3. Wie man ein Modell korrekt bewertet

3.1. Verwenden Sie geeignete Testdaten

3.2. Verwenden Sie Validierungsdaten

3.3. Bewerten Sie das Modell mehrfach

3.4. Verwenden Sie bei unausgewogenen Daten keine Genauigkeit

4. Wie man Modelle fair vergleicht

4.1. Eine größere Zahl bedeutet nicht automatisch ein besseres Modell

4.2 Vertrauen Sie Community-Benchmarks nicht

5. Wie man Ergebnisse berichtet

5.1. Legen Sie die Ergebnisse transparent offen

5.2. Messen Sie die Leistung auf verschiedene Weise

5.3. Verallgemeinern Sie nicht über die Daten hinaus