Зміст
Q:
Чому матриця плутанини корисна в ML?
A:
Існує кілька способів поговорити про те, чому матриця плутанини є цінною в машинному навчанні (ML) - але один з найпростіших способів - пояснити, що матриця плутанини є ресурсом візуалізації даних.
Матриця плутанини дозволяє глядачам з першого погляду побачити результати використання класифікатора чи іншого алгоритму. Використовуючи просту таблицю для показу аналітичних результатів, матриця плутанини по суті зводить ваші результати в більш легко засвоюваний вид.
Матриця плутанини використовує конкретну термінологію для упорядкування результатів. Існують істинні позитивні і справжні негативні, а також хибні позитивні та помилкові негативи. Для більш складної матриці плутанини або однієї, заснованої на порівняльній класифікації, ці значення можуть бути показані як фактичні та прогнозовані класи для двох різних об'єктів.
Незалежно від смислової термінології результати групуються в квадратну (або прямокутну) таблицю.
Цей погляд полегшує аналітикам зрозуміти, наскільки точний алгоритм був класифікувати результати. (Читайте нові генератори, що сучасні алгоритми працюють над ASCII Art.)
Корисність матриці плутанини пов'язана зі складністю проектів ML, а також із способом форматування та надання інформації користувачам. Уявіть рядок лінійних результатів, включаючи помилкові позитиви, помилкові негативи, справжні позитиви та справжні негативи. (Читайте машинне навчання 101.)
Користувачеві доведеться скласти всі ці лінійні результати у графік, щоб зрозуміти, як працює алгоритм та наскільки він точний. За допомогою матриці плутанини ця інформація просто представлена у потужній візуальній моделі.
Наприклад, припустимо, що машині пропонується класифікувати 20 зображень, з яких п’ять - фрукти, а п’ять - овочі. Якщо матриця плутанини містить наступний вміст (зверху ліворуч за годинниковою стрілкою): 7, 5, 3, 5, то в матриці показано, що сім було правильно ідентифіковано як овочі, а три правильно класифіковано як фрукти.
Інші 10, як це представлено, - це результати, коли програма не змогла правильно визначити зображення.
Матриця плутанини буде корисна у всіх видах аналітики ML. Спостерігаючи за цим ресурсом, користувачі можуть зрозуміти, як впоратися з проблемами, такими як розмірність та вирівнювання, та іншими способами оптимізації алгоритму.