Isi
Disajikan oleh: AltaML
Q:
Apa itu "ketepatan dan daya ingat" dalam pembelajaran mesin?
SEBUAH:
Ada sejumlah cara untuk menjelaskan dan mendefinisikan "presisi dan daya ingat" dalam pembelajaran mesin. Kedua prinsip ini secara matematis penting dalam sistem generatif, dan secara konsep penting, dalam cara-cara kunci yang melibatkan upaya AI untuk meniru pemikiran manusia. Lagi pula, orang-orang menggunakan "ketepatan dan daya ingat" dalam evaluasi neurologis juga.
Salah satu cara untuk berpikir tentang ketepatan dan daya ingat dalam TI adalah mendefinisikan ketepatan sebagai penyatuan item yang relevan dan item yang diambil atas jumlah hasil yang diambil, sementara recall mewakili penyatuan item yang relevan dan item yang diambil atas total hasil yang relevan.
Cara lain untuk menjelaskannya adalah bahwa presisi mengukur porsi identifikasi positif dalam set klasifikasi yang benar-benar benar, sedangkan recall mewakili proporsi positif sebenarnya yang diidentifikasi dengan benar.
Kedua metrik ini sering saling memengaruhi dalam proses interaktif. Para ahli menggunakan sistem penandaan positif sejati, false positif, benar negatif dan negatif palsu dalam matriks kebingungan untuk menunjukkan ketepatan dan daya ingat. Mengubah ambang klasifikasi juga dapat mengubah output dalam hal presisi dan penarikan.
Cara lain untuk mengatakannya adalah bahwa recall mengukur jumlah hasil yang benar, dibagi dengan jumlah hasil yang seharusnya dikembalikan, sedangkan presisi mengukur jumlah hasil yang benar dibagi dengan jumlah semua hasil yang dikembalikan. Definisi ini bermanfaat, karena Anda dapat menjelaskan penarikan sebagai jumlah hasil yang dapat "diingat" oleh sistem, sementara Anda dapat menggunakan presisi sebagai kemanjuran atau keberhasilan yang ditargetkan untuk mengidentifikasi hasil-hasil tersebut. Di sini kita kembali ke apa arti presisi dan mengingat dalam arti umum - kemampuan untuk mengingat item, versus kemampuan untuk mengingatnya dengan benar.
Analisis teknis positif sejati, positif palsu, negatif sejati, dan negatif palsu sangat berguna dalam teknologi dan evaluasi pembelajaran mesin, untuk menunjukkan bagaimana mekanisme klasifikasi dan teknologi pembelajaran mesin bekerja. Dengan mengukur ketepatan dan daya ingat dengan cara teknis, para ahli tidak hanya dapat menunjukkan hasil menjalankan program pembelajaran mesin, tetapi juga dapat mulai menjelaskan bagaimana program itu menghasilkan hasilnya - dengan kerja algoritmik apa program datang untuk mengevaluasi kumpulan data dalam suatu cara tertentu.
Dengan pemikiran itu, banyak profesional pembelajaran mesin dapat berbicara tentang ketepatan dan penarikan kembali dalam analisis hasil pengembalian dari set tes, set pelatihan atau set data kinerja selanjutnya. Menggunakan array atau matriks akan membantu untuk memesan informasi ini dan lebih transparan menunjukkan cara kerja program dan hasil apa yang dibawa ke tabel.