Tartalom
Bemutatja: AltaML
K:
Mi a „pontosság és visszahívás” a gépi tanulásban?
A:
Számos módon magyarázható és meghatározható a „pontosság és visszahívás” a gépi tanulásban. Ez a két alapelv matematikai szempontból fontos a generatív rendszerekben, és fogalmi szempontból fontos olyan kulcsfontosságú módokon, amelyek magukban foglalják az AI erőfeszítéseit az emberi gondolkodás utánozására. Végül is az emberek a „pontosságot és visszahívást” használják a neurológiai értékelésben is.
A pontosság és az IT-ben való visszahívás gondolkodásának egyik módja a pontosság meghatározása, mint a releváns elemek és a visszakeresett tételek összekapcsolása a visszahozott eredmények száma alapján, míg a visszahívás a releváns elemek és a visszakeresett elemek egyesülését jelenti a releváns eredmények összessége között.
Egy másik módja annak magyarázatára, hogy a pontosság a pozitív azonosításoknak a ténylegesen helyes osztályozási halmazban kifejezett részét méri, míg a visszahívás a ténylegesen pozitív azonosítások arányát jelenti.
Ez a két mutató gyakran befolyásolja egymást egy interaktív folyamat során. A szakértők egy valódi pozitív, hamis pozitív, valódi negatív és hamis negatív címkézési rendszerét használják egy összetévesztési mátrixban a pontosság és az emlékezet visszahívása érdekében. Az osztályozási küszöb megváltoztatása megváltoztathatja a kimenetet a pontosság és a visszahívás szempontjából is.
Másik módszer azt mondani, hogy a visszahívás a helyes eredmények számát méri, megosztva azoknak az eredményeknek a számával, amelyeket vissza kellett volna adni, míg a pontosság a helyes eredmények számát osztja az összes visszaadott eredmény számával. Ez a meghatározás hasznos, mivel az emlékeztetőt megmagyarázhatja olyan eredmények számával, amelyeket a rendszer „emlékszik”, miközben pontosságot adhat az eredmények azonosításának hatékonysága vagy célzott sikereként. Itt visszatérünk arra, hogy mit jelent a pontosság és az emlékezet általános értelemben - az elemek emlékezetének képessége, szemben a képességgel, hogy helyesen emlékezzenek rájuk.
A valódi pozitív, hamis pozitív, valódi negatív és hamis negatív technikai elemzése rendkívül hasznos a gépi tanulási technológiákban és az értékelés során annak bemutatására, hogy a besorolási mechanizmusok és a gépi tanulási technológiák hogyan működnek. A pontosság mérésével és a műszaki előhívással a szakértők nemcsak megmutatják a gépi tanulási program futtatásának eredményeit, hanem elkezdhetik elmagyarázni, hogy ez a program hogyan hozza létre az eredményeit - milyen algoritmikus munka segítségével a program értékelni fogja az adatkészleteket egy sajátos módon.
Ezt szem előtt tartva, sok gépi tanulásban részt vevő szakember pontosságról beszélhet, és visszahívhatja a tesztkészletek, edzőkészletek vagy későbbi teljesítménykészletek adatainak visszatérési eredményeinek elemzését. Egy tömb vagy mátrix használata elősegíti az információk megrendelését, és átláthatóbben megmutatja, hogyan működik a program, és milyen eredményeket hoz az asztalhoz.