データセットの質

データセットの質とは、学習に使うデータの正確さや適切さのことです。

誤りや重複、偏った表現、有害な内容が混ざっていれば、モデルはそれをそのまま学びます。量を増やすだけでは性能が上がらず、かえって悪化することもあります。

近年は、丁寧に選別した少量のデータのほうが、雑多な大量のデータより良い結果を生む場合があると報告されています。