Inhoud
Gepresenteerd door: AltaML
Q:
Wat is "precisie en recall" in machine learning?
EEN:
Er zijn een aantal manieren om “precisie en terugroepen” in machine learning uit te leggen en te definiëren. Deze twee principes zijn wiskundig belangrijk in generatieve systemen, en conceptueel belangrijk, op belangrijke manieren die de inspanningen van AI omvatten om het menselijk denken na te bootsen. Mensen gebruiken tenslotte ook "precisie en terugroeping" bij neurologische evaluatie.
Een manier om na te denken over precisie en recall in IT is om precisie te definiëren als de unie van relevante items en opgehaalde items over het aantal opgehaalde resultaten, terwijl recall de unie van relevante items en opgehaalde items vertegenwoordigt over het totaal van relevante resultaten.
Een andere manier om het uit te leggen is dat precisie het deel van positieve identificaties in een classificatieset meet dat feitelijk correct was, terwijl recall het aandeel van werkelijke positieven weergeeft dat correct werd geïdentificeerd.
Deze twee statistieken beïnvloeden elkaar vaak in een interactief proces. Experts gebruiken een systeem voor het taggen van echte positieven, valse positieven, echte negatieven en valse negatieven in een verwarringmatrix om precisie te tonen en terug te halen. Door de classificatiedrempel te wijzigen, kan de uitvoer ook worden gewijzigd wat betreft precisie en recall.
Een andere manier om te zeggen is dat recall het aantal correcte resultaten meet, gedeeld door het aantal resultaten dat had moeten worden geretourneerd, terwijl precisie het aantal correcte resultaten meet, gedeeld door het aantal alle geretourneerde resultaten. Deze definitie is nuttig, omdat u herinneren kunt verklaren als het aantal resultaten dat een systeem kan 'onthouden', terwijl u precisie kunt uiten als de effectiviteit of het gerichte succes van het identificeren van die resultaten. Hier komen we terug op wat precisie en herinnering in algemene zin betekenen - het vermogen om items te onthouden versus het vermogen om ze correct te onthouden.
De technische analyse van echte positieven, valse positieven, echte negatieven en valse negatieven is uiterst nuttig in machine learning-technologieën en evaluatie, om aan te tonen hoe classificatiemechanismen en machine learning-technologieën werken. Door precisie te meten en op een technische manier op te roepen, kunnen experts niet alleen de resultaten laten zien van het uitvoeren van een machine learning-programma, maar kunnen ze ook beginnen uit te leggen hoe dat programma de resultaten oplevert - door welk algoritmisch werk het programma komt om datasets te evalueren in een speciale manier.
Met dat in gedachten, kunnen veel machine learning-professionals praten over precisie en herinneren in een analyse van retourresultaten van testsets, trainingssets of daaropvolgende prestatiesets van gegevens. Het gebruik van een array of matrix helpt om deze informatie te ordenen en transparanter te laten zien hoe het programma werkt en welke resultaten het oplevert.