Saturs
J:
Kāpēc sajaukšanas matrica ir noderīga ML?
A:
Ir vairāki veidi, kā runāt par to, kāpēc sajaukšanas matrica ir vērtīga mašīnmācībā (ML) - bet viens no vienkāršākajiem veidiem ir izskaidrot, ka sajaukšanas matrica ir datu vizualizācijas resurss.
Neskaidrības matrica ļauj skatītājiem īsumā redzēt klasifikatora vai cita algoritma izmantošanas rezultātus. Izmantojot vienkāršu tabulu, lai parādītu analītiskos rezultātus, sajaukšanas matrica būtībā samazina jūsu iznākumus vieglāk sagremojamā skatījumā.
Apjukuma matricā rezultātu sakārtošanai tiek izmantota īpaša terminoloģija. Ir patiesi pozitīvi un patiesi negatīvi, kā arī viltus pozitīvi un nepatiesi negatīvi. Sarežģītākai sajaukšanas matricai vai tai, kuras pamatā ir salīdzināšanas klasifikācija, šīs vērtības var tikt parādītas kā faktiskas un paredzamas klases diviem atšķirīgiem objektiem.
Neatkarīgi no semantiskās terminoloģijas, rezultāti tiek grupēti kvadrātveida (vai taisnstūrveida) tabulā.
Šis skats ļauj analītiķiem vieglāk redzēt, cik precīzs algoritms bija rezultātu klasificēšanā. (Lasiet Jauni ģeneratori ieliek modernus algoritmus darbam ar ASCII Art.)
Neskaidrības matricas lietderība ir saistīta ar ML projektu sarežģītību, kā arī ar veidu, kā informācija tiek formatēta un piegādāta lietotājiem. Iedomājieties virkni lineāru rezultātu, ieskaitot viltus pozitīvus, viltus negatīvus, patiesus pozitīvus un patiesus negatīvus. (Lasīt mašīnu apguvi 101.)
Lietotājam visi šie lineārie rezultāti būtu jāapkopo diagrammā, lai saprastu, kā algoritms darbojās un cik precīzs tas bija. Izmantojot neskaidrības matricu, šī informācija vienkārši tiek parādīta spēcīgā vizuālā modelī.
Piemēram, pieņemsim, ka mašīnai tiek lūgts klasificēt 20 attēlus, no kuriem pieci ir augļi un pieci ir dārzeņi. Ja sajaukšanas matricā ir šāds saturs (no augšas pa kreisi pulksteņrādītāja virzienā): 7, 5, 3, 5, tad matrica parāda, ka septiņi ir pareizi identificēti kā dārzeņi, bet trīs ir pareizi klasificēti kā augļi.
Pārējie 10, kā attēloti, ir rezultāti, kuros programmai neizdevās pareizi identificēt attēlu.
Neskaidrības matrica būs noderīga visu veidu ML analītikā. Novērojot šo resursu, lietotāji var izdomāt, kā rīkoties ar tādām problēmām kā dimensija un pārmērīga uzstādīšana, kā arī citi algoritma optimizācijas veidi.