İçerik
S:
ML'de neden bir karışıklık matrisi faydalıdır?
A:
Bir karışıklık matrisinin makine öğreniminde (ML) neden değerli olduğu hakkında konuşmanın birkaç yolu vardır - ancak en basit yöntemlerden biri de karışıklık matrisinin bir veri görselleştirme kaynağı olduğunu açıklamaktır.
Bir karışıklık matrisi, izleyicilerin bir sınıflandırıcı veya başka bir algoritma kullanmanın sonuçlarını bir bakışta görmesini sağlar. Analitik sonuçları göstermek için basit bir tablo kullanarak, karışıklık matrisi çıktılarınızı daha sindirilebilir bir görünüme kavuşturur.
Karışıklık matrisi, sonuçları düzenlemek için belirli bir terminoloji kullanır. Gerçek pozitifler, gerçek negatifler, yanlış pozitifler ve yanlış negatifler var. Daha karmaşık bir karışıklık matrisi veya karşılaştırma sınıflandırmasına dayanan bir tablo için, bu değerler iki farklı nesne için gerçek ve öngörülen sınıflar olarak gösterilebilir.
Anlamsal terminolojiden bağımsız olarak, sonuçlar kare (veya dikdörtgen) bir tablo halinde gruplandırılmıştır.
Bu görüş analistlerin bir algoritmanın sonuçları sınıflandırmada ne kadar doğru olduğunu görmelerini kolaylaştırır. (Yeni Jeneratörler'i ASCII Art üzerinde Çalışmak İçin Modern Algoritmalar Koydum.)
Karışıklık matrisinin faydası, ML projelerinin karmaşıklığı ve ayrıca bilgilerin biçimlendirilmesi ve kullanıcılara iletilmesi ile ilgilidir. Yanlış pozitifler, sahte negatifler, gerçek pozitifler ve gerçek negatifler içeren bir dizi doğrusal sonuç hayal edin. (Makine Öğrenimi 101'i okuyun.)
Bir kullanıcı, algoritmanın nasıl çalıştığını ve ne kadar doğru olduğunu anlamak için tüm bu doğrusal sonuçları bir grafiğe yerleştirmek zorunda kalacaktır. Karışıklık matrisi ile bu bilgi basit bir şekilde güçlü bir görsel modelde sunulmaktadır.
Örneğin, makineden beşinin meyve, beşinin sebze olduğu 20 görüntüyü sınıflandırması istendiğini varsayalım. Bir karışıklık matrisi aşağıdaki içerikleri içeriyorsa (saatin sol üst köşesinden itibaren): 7, 5, 3, 5, o zaman matris yedi tanesinin sebze olarak doğru tanımlandığını gösterirken, üç tanesi meyve olarak doğru şekilde sınıflandırıldı.
Diğer 10, temsil edildiği gibi, programın görüntüyü doğru tanımlayamadığı sonuçlardır.
Karışıklık matrisi, her türlü ML analizinde faydalı olacaktır. Kullanıcılar bu kaynağı gözlemleyerek, boyutluluk ve aşırı uyum gibi sorunların nasıl ele alınacağını ve bir algoritmayı optimize etmenin başka yollarını bulabilirler.