Зміст
Представлено: AltaML
Q:
Що таке "точність і відкликання" в машинному навчанні?
A:
Існує цілий ряд способів пояснення та визначення „точності та згадування” в машинному навчанні. Ці два принципи є математично важливими в генеративних системах і, концептуально важливими, ключовими способами, що передбачають зусилля ШІ для імітації людської думки. Зрештою, люди використовують і «точність і згадування» в неврологічній оцінці.
Один із способів думати про точність та згадування в ІТ - це визначити точність як об'єднання відповідних елементів та отриманих елементів над кількістю отриманих результатів, тоді як виклик являє собою об'єднання відповідних елементів та вилучених елементів над загальною кількістю відповідних результатів.
Інший спосіб пояснити це тим, що точність вимірює частку позитивних ідентифікацій у наборі класифікацій, які насправді були правильними, тоді як пригадування представляє частку фактичних позитивних результатів, які були визначені правильно.
Ці дві метрики часто впливають один на одного в інтерактивному процесі. Експерти використовують систему позначення справжніх позитивних, помилкових позитивних, справжніх негативів та помилкових негативів у матриці плутанини, щоб показати точність та згадати. Зміна порогу класифікації може також змінити вихід з точки зору точності та згадування.
Ще один спосіб сказати, що відкликання вимірює кількість правильних результатів, поділене на кількість результатів, які слід було повернути, тоді як точність вимірює кількість правильних результатів, поділене на кількість усіх повернутих результатів. Це визначення є корисним, оскільки ви можете пояснити відкликання як кількість результатів, яку система може «запам’ятати», тоді як ви можете визначити точність як ефективність або цільовий успіх ідентифікації цих результатів. Тут ми повернемося до того, що означає точність та згадування в загальному розумінні - здатність запам'ятовувати предмети, а не здатність їх правильно запам’ятовувати.
Технічний аналіз справжніх позитивних, помилкових позитивних, справжніх негативів та помилкових негативів надзвичайно корисний у технологіях машинного навчання та оцінюванні, щоб показати, як працюють класифікаційні механізми та технології машинного навчання. Виміряючи точність і відкликаючи технічним способом, експерти можуть не тільки показати результати роботи програми машинного навчання, але й можуть почати пояснювати, як ця програма дає свої результати - за допомогою алгоритмічної роботи програми приходить для оцінки наборів даних у особливим чином.
Зважаючи на це, багато фахівців машинного навчання можуть говорити про точність і згадувати в аналізі повернення результатів тестових наборів, навчальних наборів або подальших наборів даних про продуктивність. Використання масиву або матриці допоможе впорядкувати цю інформацію і більш прозоро показати, як програма працює і які результати вона приносить до таблиці.