Sisältö
K:
Miksi sekoitusmatriisi on hyödyllinen ML: ssä?
V:
On olemassa monia tapoja puhua siitä, miksi sekaannusmatriisi on arvokasta koneoppimisessa (ML) - mutta yksi yksinkertaisimmista tavoista on selittää, että sekaannusmatriisi on datan visualisointiresurssi.
Sekoitusmatriisin avulla katsojat näkevät yhdellä silmäyksellä luokittelijan tai muun algoritmin käytön tulokset. Käyttämällä yksinkertaista taulukkoa analyyttisten tulosten näyttämiseksi, sekaannusmatriisi laskee lähtökohdat lähinnä sulavampaan näkymään.
Sekoitusmatriisi käyttää erityistä terminologiaa tulosten järjestämiseen. On olemassa todellisia positiivisia ja todellisia negatiivisia, samoin kuin vääriä positiivisia ja vääriä negatiivisia. Monimutkaisemmalle sekoitusmatriisille tai vertailuluokitukseen perustuvalle matriisille nämä arvot voidaan osoittaa olevan todelliset ja ennustetut luokat kahdelle erilliselle objektille.
Riippumatta semanttisesta terminologiasta, tulokset ryhmitellään neliömäiseen (tai suorakaiteen muotoiseen) taulukkoon.
Tämän näkemyksen avulla analyytikoiden on helpompi nähdä kuinka algoritmi oli tarkka luokittelemalla tulokset. (Lue uudet generaattorit asettavat modernit algoritmit toimimaan ASCII-artikkelissa.)
Sekoitusmatriisin hyödyllisyys liittyy ML-projektien monimutkaisuuteen ja myös tapaan, jolla tiedot muotoillaan ja toimitetaan käyttäjille. Kuvittele lineaaristen tulosten sarja, joka sisältää väärät positiiviset, väärät negatiiviset, todelliset positiiviset ja todelliset negatiiviset. (Lue koneoppiminen 101.)
Käyttäjän olisi taulukotettava kaikki nämä lineaariset tulokset kuvaajaksi ymmärtääksesi kuinka algoritmi toimi ja kuinka tarkka se oli. Sekaannusmatriisin avulla nämä tiedot esitetään yksinkertaisesti tehokkaana visuaalisena mallina.
Oletetaan esimerkiksi, että konetta pyydetään luokittelemaan 20 kuvaa, joista viisi on hedelmiä ja viisi vihanneksia. Jos sekoitusmatriisissa on seuraava sisältö (vasemmasta yläkulmasta myötäpäivään): 7, 5, 3, 5, matriisi osoittaa, että seitsemän on tunnistettu oikein vihanneksiksi ja kolme luokiteltu oikein hedelmiksi.
Muut 10, kuten ne on esitetty, ovat tuloksia, joissa ohjelma ei onnistunut tunnistamaan kuvaa oikein.
Sekaannusmatriisi on hyödyllinen kaikenlaisissa ML-analytiikoissa. Tarkkailemalla tätä resurssia, käyttäjät voivat selvittää, miten käsitellä ongelmia, kuten mittasuhteet ja ylimääräiset asennukset, sekä muita tapoja optimoida algoritmi.