Inhalt
Präsentiert von: AltaML
Q:
Was ist „Präzision und Rückruf“ beim maschinellen Lernen?
EIN:
Es gibt eine Reihe von Möglichkeiten, „Präzision und Erinnerung“ beim maschinellen Lernen zu erklären und zu definieren. Diese beiden Prinzipien sind in generativen Systemen mathematisch und konzeptionell in Schlüsselbereichen wichtig, in denen sich die KI bemüht, das menschliche Denken nachzuahmen. Schließlich setzen die Menschen auch bei der neurologischen Bewertung auf „Präzision und Rückruf“.
Eine Möglichkeit, über Präzision und Rückruf in der IT nachzudenken, besteht darin, Präzision als die Vereinigung von relevanten Elementen und abgerufenen Elementen über die Anzahl der abgerufenen Ergebnisse zu definieren, während Rückruf die Vereinigung von relevanten Elementen und abgerufenen Elementen über die Gesamtheit der relevanten Ergebnisse darstellt.
Eine andere Möglichkeit, dies zu erklären, besteht darin, dass die Genauigkeit den Teil der positiven Identifikationen in einem Klassifizierungssatz misst, der tatsächlich korrekt war, während der Rückruf den Anteil der tatsächlich korrekt identifizierten Positiven darstellt.
Diese beiden Metriken beeinflussen sich häufig in einem interaktiven Prozess. Experten verwenden ein System zum Kennzeichnen von wahren Positiven, falschen Positiven, wahren Negativen und falschen Negativen in einer Verwirrungsmatrix, um Präzision und Erinnerung zu zeigen. Durch Ändern der Klassifizierungsschwelle kann auch die Ausgabe in Bezug auf Genauigkeit und Abruf geändert werden.
Eine andere Art zu sagen ist, dass der Rückruf die Anzahl der korrekten Ergebnisse dividiert durch die Anzahl der Ergebnisse misst, die hätte zurückgegeben werden sollen, während die Genauigkeit die Anzahl der korrekten Ergebnisse dividiert durch die Anzahl aller zurückgegebenen Ergebnisse misst. Diese Definition ist hilfreich, da Sie den Rückruf als die Anzahl der Ergebnisse erklären können, an die sich ein System „erinnern“ kann, während Sie die Genauigkeit als die Wirksamkeit oder den gezielten Erfolg der Identifizierung dieser Ergebnisse bewerten können. Hier kehren wir zu dem zurück, was Präzision und Erinnerung im Allgemeinen bedeuten - die Fähigkeit, sich an Gegenstände zu erinnern, gegenüber der Fähigkeit, sich an sie richtig zu erinnern.
Die technische Analyse von True-Positives, False-Positives, True-Negatives und False-Negatives ist in maschinellen Lerntechnologien und Evaluierungen äußerst nützlich, um zu zeigen, wie Klassifizierungsmechanismen und maschinelle Lerntechnologien funktionieren. Durch die technische Messung der Präzision und des Abrufs können Experten nicht nur die Ergebnisse der Ausführung eines maschinellen Lernprogramms anzeigen, sondern auch erklären, wie dieses Programm seine Ergebnisse hervorbringt - durch welche algorithmische Arbeit das Programm zur Auswertung von Datensätzen in a kommt bestimmte Art.
In Anbetracht dessen sprechen viele Experten des maschinellen Lernens möglicherweise über Präzision und Rückruf bei einer Analyse der Rückgabeergebnisse von Testsätzen, Trainingssätzen oder nachfolgenden Leistungsdatensätzen. Die Verwendung eines Arrays oder einer Matrix hilft dabei, diese Informationen zu ordnen und transparenter darzustellen, wie das Programm funktioniert und welche Ergebnisse es in die Tabelle einbringt.