第197章 首次模型测试（1/2）

车间里的时钟指向上午九点，第三轮模型训练的最终结果新鲜出炉：训练集识别准确率 96%，验证集识别准确率 95%。看着屏幕上近乎完美的训练数据，团队成员们脸上都洋溢着期待的笑容，仿佛已经看到了 “糕小默 2.0” 顺利量产的场景。

“按照这个数据，实际测试的准确率应该能达到 90% 以上吧？” 李萌萌一边整理新制作的测试样本，一边兴奋地说道。为了确保测试结果的客观性，她和苏晚花了整整一天时间，制作了 50 组全新的样本，涵盖所有发酵等级，其中特意增加了 20 组 “略不足” 与 “合格” 的临界样本 —— 这正是之前模型最容易误判的类型。

陈曦将 50 组测试样本的数据导入模型，点击 “预测” 按钮。所有人都屏住了呼吸，紧紧盯着屏幕上跳动的进度条。几秒钟后，测试结果弹出，喜悦的笑容瞬间从大家脸上褪去：识别准确率 85%，误差率 15%。

“怎么才 85%？” 小王忍不住皱起眉头，语气中带着失望，“训练集和验证集的准确率都达到 95% 了，为什么实际测试还差这么多？”

林默接过陈曦打印的测试报告，仔细查看误判样本的分布情况：“误差率 15%，虽然比最初的 20% 下降了 5 个百分点，但距离我们预期的 5% 目标还有很大差距。而且你们看，误判主要集中在‘略不足’与‘合格’这两个等级，误判率高达 25%，其他等级的误判率只有 8%。”

苏晚拿起放大镜，逐一观察那些误判样本的实物：“这组‘略不足’的样本被判定为合格，我们看看它的特征。气孔直径 1.；李萌萌则开始准备下一轮测试的样本，特意增加了 “略不足” 与 “合格” 临界样本的数量，确保测试结果能真实反映模型的优化效果；林默则联系了几位糕点老师傅，邀请他们在后续的测试中提供人工判断参考，对比模型识别与人工判断的差异。

6 小时后，第四轮模型训练完成。训练集识别准确率 9了相关资料，发现可以通过压力传感器测量面团的抗压强度，间接反映面团的弹性。“如果能在视觉识别区域增加一个小型压力传感器，采集面团的弹性数据，再融入模型中，就能构建‘视觉 + 湿度 + 弹性’的三维检测模型，对临界样本的识别精度肯定能大幅提升。” 陈曦兴奋地说道。