Съдържание
Представено от: AltaML
Q:
Какво е „прецизност и припомняне“ в машинното обучение?
A:
Има няколко начина да се обясни и дефинира „прецизност и припомняне“ при машинно обучение. Тези два принципа са математически важни в генеративните системи и концептуално важни по ключови начини, които включват усилията на AI да имитира човешката мисъл. В крайна сметка хората използват „прецизност и припомняне“ и при неврологична оценка.
Един от начините да се мисли за прецизността и припомнянето в ИТ е да се дефинира точността като обединение на съответните елементи и извлечени елементи над броя на извлечените резултати, докато извикването представлява обединението на съответните елементи и извлечени елементи върху общия брой на съответните резултати.
Друг начин да се обясни е, че прецизността измерва частта от положителните идентификации в класификационния набор, които действително са били правилни, докато извикването представлява съотношението на действителните позитиви, които са били идентифицирани правилно.
Тези две показатели често засягат една друга в интерактивен процес. Експертите използват система за маркиране на истински положителни, лъжливи позитивни, истински отрицания и фалшиви отрицания в матрица на объркване, за да покажат прецизност и припомняне. Промяната на прага на класификация може също да промени резултата по отношение на точността и припомнянето.
Друг начин е да се каже, че припомнянето измерва броя на правилните резултати, разделени на броя на резултатите, които би трябвало да бъдат върнати, докато точността измерва броя на правилните резултати, разделени на броя на всички резултати, които са били върнати. Това определение е полезно, тъй като можете да обясните припомнянето като брой резултати, които една система може да „запомни“, докато можете да определите точността като ефикасност или целенасочен успех при идентифицирането на тези резултати. Тук се връщаме към какво означава прецизност и припомняне в общ смисъл - способността да запомняте предмети, срещу способността да ги запомняте правилно.
Техническият анализ на истинските положителни, лъжливи позитивни, истински отрицания и лъжливи негативи е изключително полезен при технологиите за машинно обучение и оценяване, за да се покаже как работят механизмите за класификация и технологиите за машинно обучение. Чрез измерване на точността и припомнянето по технически начин, експертите могат не само да покажат резултатите от стартирането на програма за машинно обучение, но и могат да започнат да обясняват как тази програма дава своите резултати - чрез каква алгоритмична работа програмата идва да оценява наборите от данни в определен начин.
Имайки това предвид, много специалисти по машинно обучение могат да говорят за прецизност и да си припомнят при анализ на резултатите от възвръщаемостта от тестови групи, учебни комплекти или последващи набори от данни за ефективност. Използването на масив или матрица ще ви помогне да поръчате тази информация и по-прозрачно да покажете как работи програмата и какви резултати носи в таблицата.