Sadržaj
Predstavio: AltaML
P:
Što je "preciznost i prisjećanje" u strojnom učenju?
A:
Postoji nekoliko načina da se objasni i definira „preciznost i prisjećanje“ u strojnom učenju. Ta su dva principa matematički važna u generativnim sustavima i konceptualno važna, na ključne načine koji uključuju napora AI-ja u oponašanju ljudske misli. Uostalom, ljudi koriste i „preciznost i prisjećanje“ u neurološkoj evaluaciji.
Jedan od načina razmišljanja o preciznosti i opoziva u IT-u je preciznost definirati kao sjedinjenje relevantnih i preuzetih stavki nad brojem dohvaćenih rezultata, dok opoziv predstavlja sjedinjenje relevantnih i dohvaćenih predmeta preko ukupnog broja relevantnih rezultata.
Drugi način da se objasni je da preciznost mjeri onaj dio pozitivnih identifikacija u klasifikacijskom skupu koji su zapravo točni, dok opoziv predstavlja udio stvarnih pozitivnih identifikacija koje su ispravno identificirane.
Te dvije metrike često utječu jedna na drugu u interaktivnom procesu. Stručnjaci koriste sustav označavanja istinskih pozitivnih, lažnih pozitivnih, istinskih negativa i lažnih negativa u matrici zbrke kako bi pokazali preciznost i prisjećanje. Promjena praga klasifikacije također može promijeniti izlaz u smislu preciznosti i opoziva.
Drugi način je da opoziv mjeri broj ispravnih rezultata, podijeljen s brojem rezultata koji su trebali biti vraćeni, dok preciznost mjeri broj točnih rezultata podijeljen s brojem svih rezultata koji su vraćeni. Ova je definicija korisna, jer možete objasniti opoziv kao broj rezultata koje sustav može "zapamtiti", dok možete precizirati kao učinkovitost ili ciljani uspjeh u prepoznavanju tih rezultata. Ovdje se vraćamo na ono što preciznost i prisjećanje znače u općem smislu - sposobnost pamćenja predmeta nasuprot sposobnosti ispravnog pamćenja.
Tehnička analiza istinitih pozitivnih, lažnih pozitivnih, istinskih negativa i lažnih negativa izuzetno je korisna u tehnologijama strojnog učenja i evaluacije, kako bi se pokazalo kako djeluju mehanizmi klasifikacije i tehnologije strojnog učenja. Mjerenjem preciznosti i opozivom na tehnički način, stručnjaci ne samo da mogu prikazati rezultate pokretanja programa strojnog učenja, već također mogu početi objašnjavati kako taj program proizvodi svoje rezultate - pomoću algoritmičkog rada koji program procjenjuje skupove podataka u poseban način.
Imajući to na umu, mnogi stručnjaci za strojno učenje mogu razgovarati o preciznosti i prisjetiti se u analizi povratnih rezultata iz testnih setova, skupova treninga ili sljedećih skupova podataka o izvedbi. Upotreba matrice ili matrice pomoći će da se naruče ove informacije i transparentnije pokaže kako program funkcionira i kakve rezultate donosi u tablici.