P:
Czym jest „precyzja i przypominanie” w uczeniu maszynowym?
ZA:Istnieje wiele sposobów wyjaśniania i definiowania „precyzji i przywoływania” w uczeniu maszynowym. Te dwie zasady są matematycznie ważne w systemach generatywnych i koncepcyjnie ważne, na kluczowe sposoby, które wymagają wysiłków AI w celu naśladowania ludzkiej myśli. W końcu ludzie używają „precyzji i przypomnienia” również w ocenie neurologicznej.
Jednym ze sposobów myślenia o precyzji i przywoływaniu w IT jest zdefiniowanie precyzji jako połączenia odpowiednich elementów i odzyskanych elementów w stosunku do liczby pobranych wyników, podczas gdy wycofanie reprezentuje połączenie odpowiednich elementów i odzyskanych elementów w stosunku do całości odpowiednich wyników.
Innym sposobem na wyjaśnienie tego jest to, że precyzja mierzy część pozytywnych identyfikacji w zestawie klasyfikacji, które były rzeczywiście poprawne, podczas gdy przywołanie reprezentuje odsetek rzeczywistych pozytywów, które zostały poprawnie zidentyfikowane.
Te dwa wskaźniki często wpływają na siebie w interaktywnym procesie. Eksperci używają systemu oznaczania prawdziwych pozytywnych, fałszywych pozytywnych, prawdziwych negatywnych i fałszywych negatywnych w macierzy pomieszania w celu wykazania precyzji i przywołania. Zmiana progu klasyfikacji może również zmienić wynik pod względem precyzji i przywołania.
Innym sposobem jest stwierdzenie, że przywołanie mierzy liczbę poprawnych wyników podzieloną przez liczbę wyników, które powinny zostać zwrócone, natomiast precyzja mierzy liczbę poprawnych wyników podzieloną przez liczbę wszystkich zwróconych wyników. Ta definicja jest pomocna, ponieważ można wyjaśnić przywołanie jako liczbę wyników, które system może „zapamiętać”, a precyzję można określić jako skuteczność lub ukierunkowany sukces identyfikacji tych wyników. Wracamy do tego, co precyzja i przywołanie oznaczają w sensie ogólnym - zdolność do zapamiętywania przedmiotów w porównaniu do umiejętności prawidłowego zapamiętywania.
Analiza techniczna wartości prawdziwie pozytywnych, fałszywie dodatnich, prawdziwych negatywów i fałszywych negatywów jest niezwykle przydatna w technologiach uczenia maszynowego i oceny, aby pokazać, jak działają mechanizmy klasyfikacji i technologie uczenia maszynowego. Mierząc precyzję i przywołanie w sposób techniczny, eksperci mogą nie tylko pokazać wyniki działania programu uczenia maszynowego, ale także zacząć wyjaśniać, w jaki sposób program ten generuje wyniki - za pomocą jakiej pracy algorytmicznej program ocenia zestawy danych w konkretny sposób.
Mając to na uwadze, wielu specjalistów w dziedzinie uczenia maszynowego może mówić o precyzji i przywoływać w analizie wyników zwrotnych z zestawów testowych, zestawów szkoleniowych lub kolejnych zestawów danych dotyczących wydajności. Użycie tablicy lub matrycy pomoże uporządkować te informacje i w bardziej przejrzysty sposób pokaże, jak program działa i jakie wyniki przynosi do tabeli.
