Q:
Čo je „presnosť a spätná väzba“ v strojovom učení?
A:Existuje niekoľko spôsobov, ako vysvetliť a definovať „presnosť a spätné vyvolanie“ v strojovom učení. Tieto dva princípy sú matematicky dôležité v generatívnych systémoch a koncepčne dôležité v kľúčových spôsoboch, ktoré zahŕňajú úsilie AI napodobňovať ľudské myslenie. Ľudia nakoniec používajú „neurčitosť a presnosť“ aj v neurologickom hodnotení.
Jedným zo spôsobov, ako premýšľať o presnosti a stiahnutí z trhu v IT, je definovať presnosť ako spojenie relevantných položiek a získaných položiek podľa počtu získaných výsledkov, zatiaľ čo odvolanie predstavuje spojenie príslušných položiek a získaných položiek z celkového počtu relevantných výsledkov.
Ďalším spôsobom, ako to vysvetliť, je to, že presnosť meria časť pozitívnych identifikácií v klasifikačnej množine, ktorá bola skutočne správna, zatiaľ čo odvolanie predstavuje podiel skutočných pozitív, ktoré boli správne identifikované.
Tieto dve metriky sa často vzájomne ovplyvňujú v interaktívnom procese. Odborníci používajú systém označovania skutočných pozitív, falošných pozitív, pravých negatívov a falošných negatívov v matici zmätenosti, aby ukázali presnosť a spätné vyvolanie. Zmena prahu klasifikácie môže tiež zmeniť výstup z hľadiska presnosti a stiahnutia.
Ďalším spôsobom, ako povedať, je to, že odvolanie meria počet správnych výsledkov vydelený počtom výsledkov, ktoré sa mali vrátiť, zatiaľ čo presnosť meria počet správnych výsledkov vydelený počtom všetkých vrátených výsledkov. Táto definícia je užitočná, pretože si môžete vysvetliť, ako pripomína počet výsledkov, ktoré si systém môže „zapamätať“, zatiaľ čo vy môžete presnosťou vyjadriť účinnosť alebo cieľový úspech identifikácie týchto výsledkov. Tu sa dostaneme späť k tomu, čo znamená presnosť a odvolanie vo všeobecnom slova zmysle - schopnosť zapamätať si položky, versus schopnosť si ich správne zapamätať.
Technická analýza pravých pozitív, falošných pozitív, pravých negatívov a falošných negatívov je mimoriadne užitočná v technológiách a hodnotení strojového učenia, aby sa ukázalo, ako fungujú klasifikačné mechanizmy a technológie strojového učenia. Odborníci môžu meraním presnosti a spätného vyvolania technickým spôsobom ukázať nielen výsledky vykonávania programu strojového učenia, ale môžu tiež začať vysvetľovať, ako tento program vytvára svoje výsledky - akou algoritmickou prácou program prichádza na vyhodnotenie súborov údajov v určitý spôsob.
S týmto vedomím môže veľa odborníkov v oblasti strojového učenia hovoriť o presnosti a spätnom získavaní údajov v analýze návratových výsledkov z testovacích sád, výcvikových sád alebo následných výkonových súborov údajov. Použitie poľa alebo matice pomôže objednať tieto informácie a prehľadnejšie ukáže, ako program funguje a aké výsledky prináša do tabuľky.
