Isi
Q:
Mengapa matriks kebingungan berguna dalam ML?
SEBUAH:
Ada beberapa cara untuk berbicara tentang mengapa matriks kebingungan berharga dalam pembelajaran mesin (ML) - tetapi salah satu cara paling sederhana adalah menjelaskan bahwa matriks kebingungan adalah sumber visualisasi data.
Matriks kebingungan memungkinkan pemirsa untuk melihat sekilas hasil dari menggunakan classifier atau algoritma lainnya. Dengan menggunakan tabel sederhana untuk menunjukkan hasil analitis, matriks kebingungan pada dasarnya membuat output Anda menjadi lebih mudah dicerna.
Matriks kebingungan menggunakan terminologi khusus untuk mengatur hasil. Ada positif sejati dan negatif sejati, serta positif palsu dan negatif palsu. Untuk matriks kebingungan yang lebih rumit atau yang didasarkan pada klasifikasi perbandingan, nilai-nilai ini mungkin ditampilkan sebagai kelas aktual dan prediksi untuk dua objek berbeda.
Terlepas dari terminologi semantik, hasilnya dikelompokkan ke dalam tabel persegi (atau persegi panjang).
Pandangan ini memudahkan analis untuk melihat seberapa akurat suatu algoritma dalam mengklasifikasikan hasil. (Baca Generator Baru, Terapkan Algoritma Modern untuk Mengerjakan Seni ASCII.)
Kegunaan matriks kebingungan berkaitan dengan kompleksitas proyek ML, dan juga dengan cara informasi diformat dan dikirimkan kepada pengguna. Bayangkan serangkaian hasil linear termasuk positif palsu, negatif palsu, positif sejati dan negatif sejati. (Baca Pembelajaran Mesin 101.)
Seorang pengguna harus menabulasi semua hasil linear menjadi grafik untuk memahami bagaimana algoritma bekerja, dan seberapa akurat itu. Dengan matriks kebingungan, informasi ini hanya disajikan dalam model visual yang kuat.
Sebagai contoh, misalkan mesin diminta untuk mengklasifikasikan 20 gambar, dimana lima adalah buah dan lima adalah sayuran. Jika matriks kebingungan menyimpan konten berikut (dari kiri searah jarum jam): 7, 5, 3, 5, maka matriks menunjukkan bahwa tujuh diidentifikasi dengan benar sebagai sayuran, sementara tiga secara benar diklasifikasikan sebagai buah.
10 lainnya, sebagaimana diwakili, adalah hasil di mana program gagal mengidentifikasi gambar dengan benar.
Matriks kebingungan akan berguna dalam semua jenis analisis ML. Dengan mengamati sumber ini, pengguna dapat mengetahui bagaimana menangani masalah seperti dimensionalitas dan overfitting, dan cara-cara lain untuk mengoptimalkan suatu algoritma.