Indhold
Præsenteret af: AltaML
Q:
Hvad er "præcision og tilbagekaldelse" i maskinlæring?
EN:
Der er en række måder at forklare og definere "præcision og tilbagekaldelse" i maskinlæring. Disse to principper er matematisk vigtige i generative systemer og konceptuelt vigtige på nøglemåder, der involverer AI's bestræbelser på at efterligne menneskelig tanke. Når alt kommer til alt bruger folk også “præcision og tilbagekaldelse” i neurologisk evaluering.
En måde at tænke på præcision og tilbagekaldelse i IT er at definere præcision som forening af relevante elementer og hentede genstande over antallet af hentede resultater, mens tilbagekaldelse repræsenterer foreningen af relevante emner og hentede genstande i forhold til det samlede antal relevante resultater.
En anden måde at forklare det på er, at præcision måler den del af positive identifikationer i et klassifikationssæt, der faktisk var korrekte, mens tilbagekaldelse repræsenterer andelen af faktiske positive, der blev identificeret korrekt.
Disse to målinger påvirker ofte hinanden i en interaktiv proces. Eksperter bruger et system til at mærke ægte positive, falske positive, sande negativer og falske negativer i en forvirringsmatrix for at vise præcision og tilbagekaldelse. Ændring af klassificeringsgrænsen kan også ændre output med hensyn til præcision og tilbagekaldelse.
En anden måde at sige det er, at tilbagekaldelse måler antallet af korrekte resultater divideret med antallet af resultater, der skulle have været returneret, mens præcision måler antallet af korrekte resultater divideret med antallet af alle resultater, der blev returneret. Denne definition er nyttig, fordi du kan forklare tilbagekaldelse som antallet af resultater, som et system kan "huske", mens du kan forestille præcision som effektivitet eller målrettet succes med at identificere disse resultater. Her kommer vi tilbage til, hvad præcision og tilbagekaldelse betyder i en generel forstand - evnen til at huske genstande kontra evnen til at huske dem korrekt.
Den tekniske analyse af ægte positive, falske positiver, ægte negativer og falske negativer er yderst nyttig i maskinlæringsteknologier og evaluering for at vise, hvordan klassificeringsmekanismer og maskinlæringsteknologier fungerer. Ved at måle præcision og huske på en teknisk måde kan eksperter ikke kun vise resultaterne af at køre et maskinuddannelsesprogram, men kan også begynde at forklare, hvordan dette program producerer sine resultater - med hvilket algoritmisk arbejde programmet kommer til at evaluere datasæt i en bestemt måde.
Med det i tankerne taler mange fagfolk inden for maskinlæring muligvis om præcision og tilbagekaldelse i en analyse af returresultater fra testsæt, træningssæt eller efterfølgende præstationssæt med data. Brug af en matrix eller matrix hjælper med at bestille disse oplysninger og viser mere gennemsigtigt, hvordan programmet fungerer, og hvilke resultater det bringer til tabellen.