Sisu
Esitanud: AltaML
K:
Mis on masinaõppes täpsus ja meeldetuletus?
A:
„Täpsuse ja meeldetuletuse“ selgitamiseks ja määratlemiseks masinõppes on mitmeid viise. Need kaks põhimõtet on generatiivsetes süsteemides matemaatiliselt olulised ja kontseptuaalselt olulised võtmetähtsusega viisidel, mis hõlmavad AI pingutusi inimese mõtte matkimiseks. Lõppude lõpuks kasutavad inimesed ka neuroloogilises hindamises täpsust ja meeldetuletust.
Üks viis IT-s täpsuse ja tagasikutsumise väljamõtlemiseks on täpsuse määratlemine kui asjakohaste üksuste ja taastatud üksuste ühinemine saadud tulemuste arvuga, samal ajal kui tagasikutsumine tähistab asjakohaste üksuste ja taastatud üksuste liitmist kogu asjakohaste tulemuste koguarvust.
Teine viis selle selgitamiseks on see, et täpsus mõõdab positiivsete identifitseerimiste osa klassifitseerimiskomplektis, mis olid tegelikult õiged, samas kui tagasikutsumine esindab õigesti tuvastatud tegelike positiivsete osakaalu.
Need kaks mõõdikut mõjutavad interaktiivses protsessis sageli üksteist. Eksperdid kasutavad täpsuse näitamiseks ja meelde tuletamiseks süsteemi, mille abil sildistatakse maatriksis tõesed positiivsed, valepositiivsed, tõelised negatiivsed ja valenegatiivid. Liigitusläve muutmine võib muuta ka väljundit täpsuse ja tagasikutsumise osas.
Veel üks viis seda öelda on see, et tagasikutsumine mõõdab õigete tulemuste arvu jagatud tulemuste arvuga, mis oleks tulnud tagastada, samas kui täpsus mõõdab õigete tulemuste arvu jagatud kõigi tagastatud tulemuste arvuga. See määratlus on kasulik, kuna saate meelde tuletada tulemuste arvuga, mida süsteem suudab meelde jätta, samal ajal kui täpsust saab nimetada nende tulemuste tuvastamise efektiivsuseks või sihipäraseks õnnestumiseks. Siit jõuame tagasi selle juurde, mida täpsus ja meenutamine üldises tähenduses tähendavad - üksuste mäletamise võime versus võime neid õigesti mäletada.
Tõeliste positiivsete, valepositiivsete, tõeliste negatiivsete ja valenegatiivide tehniline analüüs on masinõppe tehnoloogiates ja hindamisel äärmiselt kasulik, et näidata, kuidas klassifitseerimismehhanismid ja masinõppe tehnoloogiad töötavad. Mõõtes täpsust ja tehniliselt meeldetuletust, ei saa eksperdid mitte ainult näidata masinõppeprogrammi käitamise tulemusi, vaid saavad ka hakata selgitama, kuidas see programm tulemusi annab - millise algoritmilise tööga tuleb programm andmekogude hindamiseks konkreetsel viisil.
Seda silmas pidades võivad paljud masinõppe spetsialistid rääkida täpsusest ja tuletada meelde testide, treeningkomplektide või hilisemate jõudluskomplektide tulemuste analüüsi. Massiivi või maatriksi kasutamine aitab seda teavet tellida ja näitab läbipaistvamalt, kuidas programm töötab ja milliseid tulemusi see tabelisse toob.