V:
Kaj je "natančnost in odpoklic" pri strojnem učenju?
A:Obstaja več načinov, kako razložiti in opredeliti "natančnost in priklic" pri strojnem učenju. Ta dva principa sta v generativnih sistemih matematično pomembna in konceptualno pomembna na ključnih načinih, ki vključujejo prizadevanja AI za posnemanje človeške misli. Navsezadnje ljudje uporabljajo "natančnost in priklic" tudi pri nevrološkem ocenjevanju.
Eden od načinov razmišljanja o natančnosti in priklica v IT-ju je natančnost opredeliti kot združevanje ustreznih postavk in pridobljenih elementov nad številom pridobljenih rezultatov, medtem ko priklic predstavlja združitev ustreznih in pridobljenih elementov nad skupno število ustreznih rezultatov.
Drug način je razložiti, da natančnost meri tisti del pozitivnih identifikacij v razvrstitvenem nizu, ki so bili dejansko pravilni, medtem ko priklic predstavlja delež dejanskih pozitivnih identifikacij.
Te dve metriki v interaktivnem procesu pogosto vplivata drug na drugega. Strokovnjaki uporabljajo sistem označevanja resničnih pozitivnih, lažnih pozitivnih, resničnih negativnih in lažnih negativnosti v matriki zmede, da bi pokazali natančnost in priklic. Spreminjanje praga razvrstitve lahko spremeni tudi rezultat v smislu natančnosti in priklica.
Drug način je, da odpoklic meri število pravilnih rezultatov, deljeno s številom rezultatov, ki bi jih morali vrniti, natančnost pa meri število pravilnih rezultatov, deljeno s številom vseh vrnjenih rezultatov. Ta opredelitev je koristna, saj si lahko prikličete priklic kot število rezultatov, ki si jih sistem lahko "zapomni", medtem ko lahko natančnost določite kot učinkovitost ali ciljni uspeh prepoznavanja teh rezultatov. Tu se vrnemo na to, kaj pomenita natančnost in priklic v splošnem smislu - sposobnost pomnjenja predmetov in sposobnost pravilnega zapomnjenja stvari.
Tehnična analiza resničnih pozitivnih, lažnih pozitivnih, resničnih negativnih in napačnih negativnosti je izredno uporabna pri tehnologijah strojnega učenja in vrednotenja, da bi pokazala, kako delujejo mehanizmi za razvrščanje in tehnologije strojnega učenja. Z merjenjem natančnosti in tehničnim odpoklicom strokovnjaki ne morejo samo prikazati rezultatov izvajanja programa strojnega učenja, temveč lahko začnejo tudi razlagati, kako ta program prinaša svoje rezultate - s kakšnim algoritmičnim delom program pride do vrednotenja podatkovnih nizov v poseben način.
Glede na to se lahko mnogi strokovnjaki za strojno učenje pogovarjajo o natančnosti in pri analizi povratnih rezultatov iz testnih nizov, učnih nizov ali kasnejših nizov podatkov o uspešnosti prikličejo. Uporaba matrike ali matrice bo pomagala naročiti te informacije in bolj pregledno prikazati, kako program deluje in kakšne rezultate prinese v tabelo.
