Innehåll
Presenteras av: AltaML
F:
Vad är "precision och återkallelse" i maskininlärning?
A:
Det finns ett antal sätt att förklara och definiera ”precision och återkallelse” i maskininlärning. Dessa två principer är matematiskt viktiga i generativa system och begreppsmässigt viktiga på viktiga sätt som involverar AI: s ansträngningar för att efterlikna mänsklig tanke. När allt kommer omkring använder människor ”precision och återkallelse” i neurologisk utvärdering också.
Ett sätt att tänka på precision och återkalla i IT är att definiera precision som förening av relevanta objekt och hämtade objekt över antalet hämtade resultat, medan återkallande representerar föreningen mellan relevanta objekt och hämtade objekt över det totala relevanta resultat.
Ett annat sätt att förklara det är att precision mäter den del av positiva identifieringar i en klassificeringsuppsättning som faktiskt var korrekta, medan återkallelse representerar andelen faktiska positiver som identifierades korrekt.
Dessa två mätvärden påverkar ofta varandra i en interaktiv process. Experter använder ett system för att märka riktiga positiva, falska positiva, sanna negativa och falska negativa i en förvirringsmatris för att visa precision och återkallelse. Ändring av klassificeringsgränsen kan också ändra produktionen när det gäller precision och återkallelse.
Ett annat sätt att säga det är att återkalla mäter antalet korrekta resultat, dividerat med antalet resultat som borde ha returnerats, medan precision mäter antalet korrekta resultat dividerat med antalet alla resultat som returnerades. Den här definitionen är användbar, eftersom du kan förklara återkallelse som antalet resultat som ett system kan "komma ihåg", medan du kan använda precision som effektivitet eller målinriktad framgång för att identifiera dessa resultat. Här kommer vi tillbaka till vad precision och återkallelse betyder i allmän bemärkelse - förmågan att komma ihåg saker, mot förmågan att komma ihåg dem korrekt.
Den tekniska analysen av sanna positiva, falska positiva, sanna negativa och falska negativ är extremt användbar i maskininlärningsteknologier och utvärdering för att visa hur klassificeringsmekanismer och maskininlärningstekniker fungerar. Genom att mäta precision och återkalla på ett tekniskt sätt kan experter inte bara visa resultaten av att köra ett maskininlärningsprogram, utan kan också börja förklara hur det programmet ger sina resultat - med vilket algoritmiskt arbete programmet kommer för att utvärdera datauppsättningar i en specifikt sätt.
Med det i åtanke kan många professionella maskininlärningar prata om precision och återkalla i en analys av returresultat från testuppsättningar, träningsuppsättningar eller efterföljande datauppsättningar. Att använda en matris eller matris hjälper till att beställa denna information och visar mer transparent hur programmet fungerar och vilka resultat det ger till tabellen.