影响数据质量算法效果有哪些：

机器学习算法的训练效果有很大程度需要依赖高质量的数据集，如果训练中所使用的标注数据集存在大量噪声，将会导致机器学习训练不充分，无法获得规律，这样在训练效果验证时会出现目标偏离，无法识别的情况。

上图是非专业标注人员标注细胞核，通过标注轮廓的杂乱性可以看出，非专业标注人员标注的数据中存在大量噪声。下图是通过机器学习后验证的训练效果。可以看出，非专业标注员标注的数据通过机器学习只能识别出了一部分目标，而且目标轮廓发生偏移，机器学习没有得到充分的训练。

对于质量不高的数据，在进行机器学习前需要经过加工处理，让数据集的整体质量得到提升，以此提高算法的训练效果。机器学习的训练效果与数据集质量的关系如图所示。

图中，当数据集的整体标注质量只有80%的时候，机器学习的训练效果可能只有30%~40%。随着数据标注质量逐步提高，机器学习的效果也会突飞猛进。当数据标注质量达到98%的时候，机器学习的效果为80%，但此时如果数据标注再往上提升，机器学习效果的提升就没有之前那么明显了。