İçerik
Sunan: AltaML
S:
Makine öğreniminde “kesinlik ve hatırlama” nedir?
A:
Makine öğrenmesinde “kesinliği ve hatırlamayı” açıklamanın ve tanımlamanın bir çok yolu vardır. Bu iki ilke üretici sistemlerde matematiksel olarak önemlidir ve AI'nın insan düşüncesini taklit etme çabalarını içeren anahtar yollarla kavramsal olarak önemlidir. Ne de olsa insanlar nörolojik değerlendirmede de “kesinlik ve hatırlama” kullanıyorlar.
IT'de kesinliği ve hatırlamayı düşünmenin bir yolu, kesinliği, elde edilen sonuçların sayısı üzerinden ilgili maddelerin ve alınan eşyaların birliği olarak tanımlamaktır, hatırlama ise ilgili maddelerin ve elde edilen eşyaların toplam ilgili sonuçların birliğini temsil eder.
Bunu açıklamanın başka bir yolu, kesinliğin, bir sınıflandırma setindeki pozitif kimliklerin bir kısmını gerçekten doğru olan kısmı ile ölçtüğü, hatırlamanın ise doğru olarak tespit edilen gerçek pozitiflerin oranını temsil ettiğidir.
Bu iki ölçüm genellikle etkileşimli bir süreçte birbirini etkiler. Uzmanlar, kesin pozitifliği ve hatırlamayı göstermek için bir karmaşa matrisinde gerçek pozitifleri, yanlış pozitifleri, gerçek negatifleri ve yanlış negatifleri etiketleme sistemini kullanır. Sınıflandırma eşiğinin değiştirilmesi, çıktıyı hassasiyet ve hatırlama açısından da değiştirebilir.
Söylemenin bir başka yolu, geri çağırmanın, geri alınması gereken sonuç sayısına bölünerek doğru sonuçların sayısını ölçerken, kesin olarak geri gönderilen tüm sonuçların sayısına bölünerek doğru sonuçların sayısını ölçmektir. Bu tanım yararlıdır, çünkü hatırlamayı, bir sistemin “hatırlayabileceği” bir sonuç olarak açıklayabilir, bu sonuçları tanımlamanın etkinliği ya da hedeflenmiş başarısı olarak hassasiyeti elde edebilirsiniz. Burada, genel anlamda anlam ve hatırlamanın ne anlama geldiğine geri dönüyoruz - eşyaları hatırlama yeteneği, onları doğru hatırlama yeteneği.
Sınıflandırma mekanizmalarının ve makine öğrenme teknolojilerinin nasıl çalıştığını göstermek için, doğru pozitiflerin, yanlış pozitiflerin, gerçek negatiflerin ve yanlış negatiflerin teknik analizi, makine öğrenme teknolojileri ve değerlendirmesinde son derece faydalıdır. Uzmanların hassasiyeti ölçerek ve hatırlayarak teknik bir yöntemle geri çağırma, yalnızca bir makine öğrenme programı çalıştırmanın sonuçlarını gösteremez, aynı zamanda bu programın sonuçlarını nasıl ürettiğini açıklamaya başlayabilir - programın veri kümelerini değerlendirmek için hangi algoritmik çalışmanın geldiğini özel yol.
Bunu göz önünde bulundurarak, birçok makine öğrenim uzmanı hassasiyet hakkında konuşabilir ve test setlerinden, eğitim setlerinden veya sonraki performans veri setlerinden elde edilen sonuçların analizinde hatırlayabilir. Bir dizi veya matris kullanmak, bu bilgilerin sıralanmasına yardımcı olur ve programın nasıl çalıştığını ve tabloya hangi sonuçları getirdiğini daha açık bir şekilde gösterir.