Sisu
K:
Miks on segadusmaatriks ML-is kasulik?
A:
Selle kohta, miks segamismaatriks on masinõppes väärtuslik, on mitmeid viise - kuid üks lihtsamaid viise on selgitada, et segamismaatriks on andmete visualiseerimise ressurss.
Segamismaatriks võimaldab vaatajatel lühidalt näha klassifikaatori või muu algoritmi kasutamise tulemusi. Kasutades analüütiliste tulemuste kuvamiseks lihtsat tabelit, keerab segadusmaatriks teie väljundid sisuliselt paremini seeditavaks.
Segamismaatriks kasutab tulemuste korraldamiseks spetsiifilist terminoloogiat. Seal on tõelisi positiivseid ja tõelisi negatiivseid, samuti valepositiivseid ja valenegatiive. Keerukama või võrdlusklassifikatsioonil põhineva segamismaatriksi korral võidakse neid väärtusi näidata tegelike ja ennustatud klassidena kahe erineva objekti jaoks.
Sõltumata semantilisest terminoloogiast, on tulemused rühmitatud ruudukujuliseks (või ristkülikukujuliseks) tabeliks.
Selle ülevaate abil on analüütikutel lihtsam näha, kui täpselt algoritm tulemusi klassifitseeris. (Loe artiklid Uus generaatorid panevad tänapäevased algoritmid tööle ASCII artikliga.)
Segamismaatriksi kasulikkus on seotud ML-projektide keerukusega ning ka sellega, kuidas teave vormindatakse ja kasutajatele edastatakse. Kujutage ette rida lineaarseid tulemusi, sealhulgas valepositiivseid, valenegatiivseid, tõelisi positiivseid ja tegelikke negatiivseid. (Loe masinõpet 101.)
Kasutaja peaks kõik need lineaarsed tulemused tabelisse viima, et saada aru, kuidas algoritm töötas ja kui täpne see oli. Segamismaatriksiga on see teave lihtsalt esitatud võimsas visuaalses mudelis.
Oletame näiteks, et masinal palutakse klassifitseerida 20 pilti, millest viis on puuviljad ja viis on köögiviljad. Kui segamismaatriks sisaldab järgmist sisu (vasakult ülevalt päripäeva): 7, 5, 3, 5, näitab maatriks, et seitse oli õigesti köögiviljadeks ja kolm klassifitseeritud õigesti puuviljadeks.
Ülejäänud 10, nagu esindatud, on tulemused, kus programm ei suutnud pilti õigesti tuvastada.
Segamismaatriks on kasulik kõikvõimalikes ML-i analüüsides. Seda ressurssi jälgides saavad kasutajad aru saada, kuidas käsitleda selliseid probleeme nagu mõõtmed ja ületäitumine ning muud viisid algoritmi optimeerimiseks.