Content
Presentat per: AltaML
P:
Què és "precisió i recordar" en l'aprenentatge de màquines?
R:
Hi ha diverses maneres d’explicar i definir la “precisió i la rememoració” en l’aprenentatge de màquines. Aquests dos principis són matemàticament importants en els sistemes generatius i conceptualment importants, de maneres clau que impliquen els esforços de l'AI per imitar el pensament humà. Al cap i a la fi, les persones utilitzen també "precisió i recordació" en l'avaluació neurològica.
Una forma de pensar en la precisió i la retirada en TI és definir la precisió com la unió d’elements rellevants i articles recuperats pel nombre de resultats obtinguts, mentre que el record representa la unió d’elements rellevants i articles recuperats sobre el total de resultats rellevants.
Una altra manera d’explicar-ho és que la precisió mesura la porció d’identificacions positives en un conjunt de classificació que eren realment correctes, mentre que el record representa la proporció de positius reals que es van identificar correctament.
Aquestes dues mètriques sovint s’afecten mútuament en un procés interactiu. Els experts utilitzen un sistema d’etiquetatge de positius veritables, falsos positius, veritables negatius i falsos negatius en una matriu de confusió per mostrar precisió i recordar. Si canvieu el llindar de classificació també es pot canviar la sortida en termes de precisió i de recordació.
Una altra manera de dir-ho és que el record mesura el nombre de resultats correctes, dividit pel nombre de resultats que haurien d’haver estat retornats, mentre que la precisió mesura el nombre de resultats correctes dividit pel nombre de resultats que es van retornar. Aquesta definició és útil, perquè podeu explicar la rememoració com el nombre de resultats que un sistema pot “recordar”, alhora que podeu obtenir precisió com a eficàcia o èxit objectiu d’identificar aquests resultats. Aquí tornem al que significa la precisió i la retirada en un sentit general: la capacitat de recordar els elements, i la capacitat de recordar-los correctament.
L’anàlisi tècnica de veritables positius, falsos positius, veritables negatius i falsos negatius és extremadament útil en les tecnologies i l’avaluació de l’aprenentatge automàtic, per mostrar com funcionen els mecanismes de classificació i les tecnologies d’aprenentatge automàtic. Mesurant la precisió i el record de manera tècnica, els experts no només poden mostrar els resultats de l’execució d’un programa d’aprenentatge automàtic, sinó que també poden començar a explicar com aquest programa produeix els seus resultats: mitjançant el treball algorítmic que el programa ve a avaluar els conjunts de dades en un manera particular.
Tenint això en compte, molts professionals de l’aprenentatge automàtic poden parlar de precisió i recordar en una anàlisi dels resultats de retorn dels conjunts de proves, conjunts d’entrenament o conjunts de dades posteriors de rendiment. Si utilitzeu una matriu o una matriu us ajudarà a ordenar aquesta informació i mostrar de manera més transparent el funcionament del programa i els resultats que aporta a la taula.