En människa kan ofta bara uppnå en noggrannhet på 80 % på labeling , vilket leder till dåliga data. Det finns en mängd faktorer som kan påverka datakvaliteten och det enda som är säkert är att datakvaliteten alltid kan förbättras.

Med denna verklighet i åtanke har vi skapat en funktion som vi kallar modellkorrigeringar. Modellen tittar på dina data och matar sedan ut det som den har svårt att förstå faktiskt är en medlem av den klass som den sägs vara.

På så sätt kan du rensa upp dina data och få bättre datakvalitet för modellträning, beslutsfattande och kundfokuserade implementeringar av dina dataset.