Sisältö
Esittäjä: AltaML
K:
Mikä on “tarkkuus ja muistaminen” koneoppimisessa?
V:
On olemassa monia tapoja selittää ja määritellä ”tarkkuus ja muistaminen” koneoppimisessa. Nämä kaksi periaatetta ovat matemaattisesti tärkeitä generatiivisissa järjestelmissä ja käsitteellisesti tärkeitä keskeisillä tavoilla, joihin liittyy AI: n pyrkimykset matkia ihmisen ajattelua. Loppujen lopuksi ihmiset käyttävät ”tarkkuutta ja muistamista” myös neurologisessa arvioinnissa.
Yksi tapa miettiä tarkkuutta ja palauttamista IT: ssä on määritellä tarkkuus merkityksellisten ja haettujen esineiden yhtenäisyytenä noutettujen tulosten määrän kanssa, kun taas muistaminen edustaa merkityksellisten ja haettujen esineiden yhdistämistä merkityksellisten tulosten kokonaismäärään nähden.
Toinen tapa selittää se on, että tarkkuus mittaa positiivisten tunnisteiden osuuden luokittelujoukossa, jotka olivat oikein oikein, kun taas palautus edustaa oikeasti tunnistettujen todellisten positiivisten osuutta.
Nämä kaksi muuttujaa vaikuttavat usein toisiinsa vuorovaikutteisessa prosessissa. Asiantuntijat käyttävät järjestelmää, jolla merkitään todelliset positiiviset, väärät positiiviset, todelliset negatiiviset ja väärät negatiiviset sekaannusmatriisissa tarkkuuden osoittamiseksi ja muistamiseksi. Luokittelukynnyksen muuttaminen voi myös muuttaa tuottoa tarkkuuden ja palautuksen suhteen.
Toinen tapa sanoa, että muistaminen mittaa oikeiden tulosten määrän jaettuna tulosten lukumäärällä, jotka olisi pitänyt palauttaa, kun taas tarkkuus mittaa oikeiden tulosten määrän jaettuna kaikkien palautettujen tulosten lukumäärällä. Tämä määritelmä on hyödyllinen, koska voit selittää muistamisen tuloksena, jonka järjestelmä voi ”muistaa”, kun taas voit asettaa tarkkuuden tulosten tunnistamisen tehokkuudeksi tai kohdennettuun menestykseen. Palaamme takaisin siihen, mitä tarkkuus ja muistaminen yleisessä merkityksessä tarkoittavat - kykyä muistaa esineitä verrattuna kykyyn muistaa niitä oikein.
Aitojen positiivisten, väärien positiivisten, todellisten negatiivisten ja väärien negatiivien tekninen analyysi on erittäin hyödyllinen koneoppimistekniikoissa ja arvioinnissa, jotta voidaan osoittaa, kuinka luokitusmekanismit ja koneoppimistekniikat toimivat. Mittaamalla tarkkuutta ja muistamista teknisellä tavalla, asiantuntijat eivät voi vain näyttää koneoppimisohjelman suorittamisen tuloksia, vaan voivat myös alkaa selittää, kuinka kyseinen ohjelma tuottaa tuloksia - millä algoritmisella työllä ohjelma tulee arvioimaan tietojoukkoja tietty tapa.
Tätä silmällä pitäen monet koneoppimisen ammattilaiset voivat puhua tarkkuudesta ja muistaa analysoimalla testisarjojen, harjoitusjoukkojen tai sitä seuraavien suoritustasojen tuottamien tulosten tuloksia. Matriisin tai matriisin käyttäminen auttaa näiden tietojen tilaamisessa ja osoittaa avoimemmin, miten ohjelma toimii ja mitä tuloksia se tuo taulukkoon.