Содержание
Представлено: AltaML
Q:
Что такое «точность и отзыв» в машинном обучении?
A:
Есть несколько способов объяснить и определить «точность и отзыв» в машинном обучении. Эти два принципа математически важны в порождающих системах и концептуально важны в ключевых аспектах, которые включают в себя усилия ИИ, имитирующие человеческое мышление. В конце концов, люди также используют «точность и отзыв» в неврологической оценке.
Один из способов думать о точности и отзыве в ИТ - это определить точность как объединение релевантных элементов и извлеченных элементов по количеству извлеченных результатов, тогда как отзыв представляет собой объединение релевантных элементов и извлеченных элементов по сумме релевантных результатов.
Другой способ объяснить это состоит в том, что точность измеряет часть положительных идентификаторов в наборе классификации, которые были действительно правильными, в то время как отзыв представляет долю фактических положительных результатов, которые были идентифицированы правильно.
Эти две метрики часто влияют друг на друга в интерактивном процессе. Эксперты используют систему пометки истинных позитивов, ложных позитивов, истинных негативов и ложных негативов в матрице путаницы, чтобы показать точность и вспомнить. Изменение порога классификации также может изменить выходные данные с точки зрения точности и отзыва.
Еще один способ сказать, что «возврат» измеряет количество правильных результатов, поделенное на количество результатов, которые должны быть возвращены, в то время как точность измеряет количество правильных результатов, деленное на количество всех результатов, которые были возвращены. Это определение полезно, потому что вы можете объяснить отзыв как число результатов, которые система может «запомнить», в то время как вы можете использовать точность как эффективность или целевой успех при идентификации этих результатов. Здесь мы возвращаемся к тому, что означает точность и отзыв в общем смысле - способность запоминать предметы, а не способность их правильно запоминать.
Технический анализ истинных положительных, ложных положительных, отрицательных и ложных отрицательных результатов чрезвычайно полезен в технологиях машинного обучения и оценки, чтобы показать, как работают механизмы классификации и технологии машинного обучения. Измеряя точность и вспоминая технически, эксперты могут не только показать результаты выполнения программы машинного обучения, но и начать объяснять, как эта программа дает свои результаты - с помощью какой алгоритмической работы программа выполняет оценку наборов данных в определенный способ.
Имея это в виду, многие специалисты по машинному обучению могут говорить о точности и вспоминать при анализе результатов возврата из наборов тестов, обучающих наборов или последующих наборов данных о производительности. Использование массива или матрицы поможет упорядочить эту информацию и более наглядно показать, как работает программа и какие результаты она приносит в таблицу.