11ここで!は学習率と呼ばれるハイパーパラメータであり、既存の学習モデルに新たに学習画像データを加える時、パラメータの更新量を決める。本研究では、学習率■．■■に設定して学習モデルを■種生成する。そして生成した学習モデルに対し、検証画像■■，■■■枚を用いて精度を計測した。この操作を指定するエポックの回数だけ繰り返すことにより学習を進めるが、過剰や過少に操作を繰り返してしまうと過学習および過少学習になることがある。過学習（オーバーフィッティング）とは、学習画像の特徴を過剰に取得することにより、学習セットに対してのデータ予測の精度は上がるものの、未知のデータに対しては予測精度が下がることである。また過少学習（アンダーフィッティング）とは、予測するデータの複雑さに対してモデルの表現能力が足りず、モデルが理想的な学習をしたとしても予測がうまくいかないことを指す。そのためこの操作を■■回に限定して繰り返し、それぞれ最も精度の良い学習モデルを採用する。下記に、生成した■種類のモデルについて詳細を記載する。■全画像学習モデル訓練用画像を、ランダムに学習画像■■，■■■枚と検証画像■■，■■■枚に分け、学習モデルを生成する。■半数画像学習モデル全画像学習モデルに使用した学習画像の半数である■■，■■■枚を使用し、学習モデルを生成する。■高エントロピー画像学習モデル（■種類）全画像学習モデルに使用した学習画像のうち、エントロピーの値の高い画像■■，■■■枚を用い学習モデルを生成する。計算には先述した「カラー画像エントロピー」「差分エントロピー」の■種類のエントロピーを使用し、高カラー画像エントロピー学習モデルと高差分エントロピー学習モデルの■種類を生成した。■低エントロピー画像学習モデル（■種類）高エントロピー画像学習モデル同様、全画像学習モデルに使用した学習画像のうち、各エントロピーの値の低い画像■■，■■■枚を用い学習モデルを■種類生成する。エントロピーによる画像学習AIモデルの性能評価
元のページ ../index.html#18