Î:
Ce este „precizia și reamintirea” în învățarea mașinii?
A:Există o serie de moduri de a explica și defini „precizia și reamintirea” în învățarea mașinii. Aceste două principii sunt importante din punct de vedere matematic în sistemele generative și, din punct de vedere conceptual, în moduri cheie care implică eforturile AI de a imita gândirea umană. La urma urmei, oamenii folosesc și „precizia și amintirea” în evaluarea neurologică.
O modalitate de a gândi precizia și rechemarea în IT este de a defini precizia ca uniunea elementelor relevante și a elementelor preluate peste numărul de rezultate preluate, în timp ce rechemarea reprezintă unirea articolelor relevante și a elementelor preluate în totalul rezultatelor relevante.
Un alt mod de a explica este faptul că precizia măsoară porțiunea identificărilor pozitive dintr-un set de clasificare care au fost de fapt corecte, în timp ce rechemarea reprezintă proporția de pozitive reale care au fost identificate corect.
Aceste două valori se afectează adesea reciproc într-un proces interactiv. Experții folosesc un sistem de etichetare a adevăratelor pozitive, false pozitive, adevărate negative și false negative într-o matrice de confuzie pentru a arăta precizie și rechemare. Modificarea pragului de clasificare poate schimba, de asemenea, producția din punct de vedere al preciziei și al retragerii.
Un alt mod de a spune este că rechemarea măsoară numărul de rezultate corecte, împărțit la numărul de rezultate care ar fi trebuit să fie returnate, în timp ce precizia măsoară numărul de rezultate corecte împărțit la numărul tuturor rezultatelor returnate. Această definiție este utilă, deoarece puteți explica reamintirea ca fiind numărul de rezultate pe care un sistem le poate „aminti”, în timp ce puteți arunca precizia ca eficacitate sau succes direcționat al identificării acestor rezultate. Aici revenim la ceea ce înseamnă precizie și rechemare într-un sens general - capacitatea de a-și aminti elementele, versus capacitatea de a le aminti corect.
Analiza tehnică a adevăratelor pozitive, false pozitive, adevărate negative și false negative este extrem de utilă în tehnologiile și evaluările de învățare automată, pentru a arăta cum funcționează mecanismele de clasificare și tehnologiile de învățare automată. Măsurând precizia și reamintirea într-un mod tehnic, experții nu numai că pot arăta rezultatele derulării unui program de învățare automată, dar pot începe să explice și modul în care acel program își produce rezultatele - prin ce activitate algoritmică vine programul pentru a evalua seturile de date într-un un fel anume.
Având în vedere acest lucru, mulți profesioniști în învățarea mașinilor pot vorbi despre precizie și amintire într-o analiză a rezultatelor de retur din seturi de teste, seturi de instruire sau seturi de date ulterioare de performanță. Utilizarea unui tablou sau a unei matrice va ajuta la ordonarea acestor informații și va arăta mai transparent modul în care funcționează programul și ce rezultate aduce la tabel.
