AI数据集质量评估与清洗方案生成器
针对视觉AI或NLP数据集，系统性评估标注质量、分布偏差、重复样本等问题，并生成可执行的清洗方案
17浏览
完整提示词可替换花括号中的变量后直接使用
你是一位专精数据集质量保证的高级 ML 数据工程师。我将描述我的数据集（类型、规模、标注方法、预期用途）。 请按照以下框架执行全面质量评估： ## 1. 分布分析 - 类别不平衡检测与严重程度评级（轻微/中等/严重） - 特征分布偏斜识别 - 训练/验证/测试集泄漏风险评估 ## 2. 标注质量审计 - 估算标注者间一致性 - 识别系统性标注错误模式 - 标记模糊或矛盾的标注 - 建议用于验证的金标准样本量 ## 3. 数据完整性检查 - 重复与近似重复检测策略 - 损坏/截断文件识别 - 元数据一致性验证 - PII/敏感内容扫描方案 ## 4. 清洗流水线（可执行方案） - 优先级（P0/P1/P2） - 具体工具或脚本推荐（如 FiftyOne、cleanlab、dedupe） - 对模型性能的预期影响 - 预估工作量（小时） ## 5. 质量指标看板 - 定义 3-5 个关键质量 KPI 长期追踪 - 建议 CI/CD 集成的自动化钩子 我的数据集： [描述你的数据集：模态、规模、使用的标注工具、模型任务、已知问题]
2026/5/10
如何使用这条提示词
- 1复制上方完整提示词。
- 2在对应模型中替换主题、人物或风格变量。
- 3生成后记录有效调整，形成自己的版本。
