Садржај
Представио: АлтаМЛ
П:
Шта је „прецизност и опомена“ у машинском учењу?
О:
Постоји неколико начина да се објасни и дефинише „прецизност и сећање“ у машинском учењу. Ова два принципа су математички важна у генеративним системима и концептуално важна, на кључне начине који укључују напоре АИ у опонашању људске мисли. На крају, људи користе „прецизност и сећање“ и у неуролошкој процени.
Један од начина размишљања о прецизности и опозива у ИТ-у је да се прецизност дефинише као удруживање релевантних ставки и преузетих ставки над бројем дохваћених резултата, док опозив представља сједињење релевантних и преузетих ставки преко укупног броја релевантних резултата.
Други начин да се објасни то је да прецизност мери део позитивних идентификација у класификацијском скупу који су заправо тачни, док опозив представља удео стварних позитивних идентификација које су тачно идентификоване.
Ове две метрике често утичу једна на другу у интерактивном процесу. Стручњаци користе систем означавања истинских позитивних, лажних позитивних, истинских негатива и лажних негатива у матрици збрке како би показали прецизност и присјећање. Промјена прага класификације такођер може промијенити резултате у смислу прецизности и опозива.
Други начин је да опозив мери број тачних резултата, подељен са бројем резултата који су требали бити враћени, док прецизност мери број тачних резултата подељен са бројем свих резултата који су враћени. Ова дефиниција је корисна, јер можете објаснити опозив као број резултата које систем може „упамтити“, док прецизност можете дати као ефикасност или циљани успех у препознавању тих резултата. Овде се враћамо на то шта тачност и подсећање значи у општем смислу - способност памћења предмета насупрот способности да их се правилно сећате.
Техничка анализа истинских позитивних, лажних позитивних, истинских негатива и лажних негатива изузетно је корисна у технологијама машинског учења и евалуације, како би се показало како функционишу механизми класификације и технологије машинског учења. Мерењем прецизности и опозивом на технички начин, стручњаци не само да могу показати резултате извођења програма машинског учења, већ могу и почети да објашњавају како тај програм даје своје резултате - помоћу оног алгоритамског рада који програм оцењује скупове података у посебан начин.
Имајући то у виду, многи професионалци за машинско учење могу разговарати о прецизности и присјетити се у анализи резултата повратка из тестних сетова, скупова за тренинг или накнадних скупова података о перформансама. Употреба матрице или матрице помоћи ће да се наруче ове информације и прегледније покаже како програм функционише и које резултате доноси у табели.