Content
P:
Per què és útil una matriu de confusió a ML?
R:
Hi ha diverses maneres de parlar de per què una matriu de confusió és valuosa en l'aprenentatge automàtic (ML), però una de les maneres més senzilles és explicar que la matriu de confusió és un recurs de visualització de dades.
Una matriu de confusió permet als espectadors veure d'un cop d'ull els resultats de l'ús d'un classificador o d'un altre algorisme. Si utilitzeu una taula senzilla per mostrar resultats analítics, la matriu de confusió redueix fonamentalment les vostres sortides en una visió més digerible.
La matriu de confusió utilitza terminologia específica per organitzar resultats. Hi ha veritables positius i negatius veritables, així com falsos positius i falsos negatius. Per a una matriu de confusió més complicada o basada en una classificació de comparació, es podria mostrar que aquests valors són classes reals i prediccions per a dos objectes diferents.
Independentment de la terminologia semàntica, els resultats s’agrupen en una taula quadrada (o rectangular).
Aquesta vista facilita als analistes veure la precisió d'un algorisme en la classificació dels resultats. (Llegiu els nous generadors perquè treballin algoritmes moderns en l'art ASCII.)
La utilitat de la matriu de confusió té a veure amb la complexitat dels projectes de ML, i també amb la forma en què es proporciona la informació i s'entrega als usuaris. Imagineu una cadena de resultats lineals inclosos falsos positius, falsos negatius, veritables positius i negatius de veritat. (Llegiu l'aprenentatge automàtic 101.)
Un usuari hauria de tabular tots aquests resultats lineals en un gràfic per entendre el funcionament de l'algoritme i la precisió d'aquest. Amb la matriu de confusió, aquesta informació es presenta simplement en un model visual potent.
Per exemple, suposem que es demana a la màquina que classifiqui 20 imatges, de les quals cinc són fruites i cinc són verdures. Si una matriu de confusió conté els següents continguts (de la part superior esquerra de les agulles del rellotge): 7, 5, 3, 5, la matriu mostra que set es van identificar correctament com a verdures, mentre que tres es van classificar correctament com a fruites.
Els altres 10, tal com estan representats, són resultats en què el programa no ha pogut identificar correctament la imatge.
La matriu de confusió serà útil en tot tipus d’analítica de ML. Observant aquest recurs, els usuaris poden esbrinar com gestionar problemes com la dimensionalitat i l'adequació, i altres maneres d'optimitzar un algorisme.