Saturs
Prezentēja: AltaML
J:
Kas ir “precizitāte un atsaukšana” mašīnmācībā?
A:
Ir vairāki veidi, kā izskaidrot un definēt “precizitāti un atsaukšanu” mašīnmācībā. Šie divi principi ir matemātiski svarīgi ģeneratīvajās sistēmās un konceptuāli svarīgi galvenajos veidos, kas ietver AI centienus atdarināt cilvēka domas. Galu galā cilvēki izmanto “precizitāti un atsaukšanu” arī neiroloģiskajā novērtēšanā.
Viens veids, kā domāt par precizitāti un atsaukšanu IT, ir definēt precizitāti kā atbilstošu vienumu un izgūto vienību apvienojumu ar iegūto rezultātu skaitu, savukārt atsaukšana atspoguļo attiecīgo priekšmetu un izgūto vienību apvienojumu starp attiecīgajiem rezultātiem.
Vēl viens veids, kā to izskaidrot, ir tas, ka ar precizitāti mēra pozitīvo identifikāciju daļu klasifikācijas kopā, kas faktiski bija pareiza, savukārt atsaukšana atspoguļo to patieso pozitīvo īpatsvaru, kas tika identificēti pareizi.
Šie divi rādītāji bieži ietekmē viens otru interaktīvā procesā. Eksperti izmanto sistēmu, lai sajaukšanas matricā iezīmētu patiesus pozitīvus, viltus pozitīvus, patiesus negatīvus un viltus negatīvus, lai parādītu precizitāti un atsaukšanu atmiņā. Mainot klasifikācijas slieksni, var mainīties arī izlaide precizitātes un atsaukšanas ziņā.
Vēl viens veids, kā pateikt, ir tas, ka atsaukšana mēra pareizo rezultātu skaitu, dalot tos ar rezultātu skaitu, kuriem vajadzēja atgriezties, savukārt ar precizitāti mēra pareizo rezultātu skaitu, dalītu ar visu atgriezto rezultātu skaitu. Šī definīcija ir noderīga, jo jūs varat izskaidrot atsaukšanu kā rezultātu skaitu, ko sistēma var “atcerēties”, savukārt jūs varat norādīt precizitāti kā efektivitāti vai mērķtiecīgus panākumus šo rezultātu identificēšanā. Šeit mēs atgriežamies pie tā, ko nozīmē precizitāte un atsaukšana vispārējā nozīmē - spēja atcerēties priekšmetus, salīdzinot ar spēju tos pareizi atcerēties.
Īstu pozitīvu, viltus pozitīvu, patiesu negatīvu un viltus negatīvu tehniskā analīze ir ārkārtīgi noderīga mašīnmācīšanās tehnoloģijās un novērtēšanā, lai parādītu, kā darbojas klasifikācijas mehānismi un mašīnmācīšanās tehnoloģijas. Mērot precizitāti un atsaukšanu tehniskā veidā, eksperti var ne tikai parādīt mašīnmācīšanās programmas darbības rezultātus, bet arī var sākt izskaidrot, kā šī programma dod savus rezultātus - ar kādu algoritmisku darbu programma nāk, lai novērtētu datu kopas noteiktā veidā.
Paturot to prātā, daudzi mašīnmācīšanās speciālisti var runāt par precizitāti un atsaukt atmiņā analīzes rezultātus, kas iegūti no testa komplektiem, apmācības komplektiem vai nākamajiem datu kopumiem par veiktspēju. Masīva vai matricas izmantošana palīdzēs pasūtīt šo informāciju un caurspīdīgāk parādīs, kā programma darbojas un kādus rezultātus tā sniedz tabulā.