Innehåll
F:
Varför är en förvirringsmatris användbar i ML?
A:
Det finns ett antal sätt att prata om varför en förvirringsmatris är värdefull i maskininlärning (ML) - men ett av de enklaste sätten är att förklara att förvirringsmatrisen är en resurs för datavisualisering.
En förvirringsmatris gör det möjligt för tittarna att snabbt se resultatet av att använda en klassificerare eller annan algoritm. Genom att använda en enkel tabell för att visa analytiska resultat, kokar förvirringsmatrisen i huvudsak dina resultat till en mer smältbar vy.
Förvirringsmatrisen använder specifik terminologi för att ordna resultat. Det finns sanna positiva och sanna negativ, liksom falska positiva och falska negativ. För en mer komplicerad förvirringsmatris eller en baserad på jämförelseklassificering kan dessa värden visas som faktiska och förutspådda klasser för två distinkta objekt.
Oavsett den semantiska terminologin grupperas resultaten i en kvadratisk (eller rektangulär) tabell.
Denna vy gör det enklare för analytiker att se hur exakt en algoritm var i klassificering av resultat. (Läs nya generatorer sätter moderna algoritmer för att arbeta med ASCII Art.)
Användningen av förvirringsmatrisen har att göra med ML-projektens komplexitet, och även med hur information formateras och levereras till användare. Föreställ dig en rad linjära resultat inklusive falska positiver, falska negativ, sanna positiva och sanna negativ. (Läs maskininlärning 101.)
En användare måste tabulera alla dessa linjära resultat i en graf för att förstå hur algoritmen fungerade och hur exakt den var. Med förvirringsmatrisen presenteras denna information helt enkelt i en kraftfull visuell modell.
Anta till exempel att maskinen uppmanas att klassificera 20 bilder, varav fem är frukt och fem är grönsaker. Om en förvirringsmatris innehåller följande innehåll (från vänster medurs): 7, 5, 3, 5, visar matrisen att sju identifierades korrekt som grönsaker, medan tre var korrekt klassificerade som frukt.
De andra 10, som representerade, är resultat där programmet inte identifierade bilden korrekt.
Förvirringsmatrisen kommer att vara användbar i alla typer av ML-analyser. Genom att observera denna resurs kan användare ta reda på hur de ska hantera problem som dimensionellitet och övermontering och andra sätt att optimera en algoritm.