D:
Che cos'è "precisione e richiamo" nell'apprendimento automatico?
UN:Esistono diversi modi per spiegare e definire "precisione e richiamo" nell'apprendimento automatico. Questi due principi sono matematicamente importanti nei sistemi generativi e concettualmente importanti, in modi chiave che implicano gli sforzi dell'IA per imitare il pensiero umano. Dopotutto, le persone usano la "precisione e il richiamo" anche nella valutazione neurologica.
Un modo di pensare alla precisione e al richiamo nell'IT è quello di definire la precisione come l'unione di elementi pertinenti e elementi recuperati rispetto al numero di risultati recuperati, mentre il richiamo rappresenta l'unione di elementi pertinenti e elementi recuperati rispetto al totale dei risultati pertinenti.
Un altro modo per spiegarlo è che la precisione misura la porzione di identificazioni positive in un set di classificazione che erano effettivamente corrette, mentre il richiamo rappresenta la proporzione di positivi effettivi che sono stati identificati correttamente.
Queste due metriche si influenzano spesso a vicenda in un processo interattivo. Gli esperti utilizzano un sistema di etichettatura di veri positivi, falsi positivi, veri negativi e falsi negativi in una matrice di confusione al fine di mostrare precisione e richiamo. La modifica della soglia di classificazione può anche modificare l'output in termini di precisione e richiamo.
Un altro modo di dire è che il richiamo misura il numero di risultati corretti, diviso per il numero di risultati che avrebbero dovuto essere restituiti, mentre la precisione misura il numero di risultati corretti diviso per il numero di tutti i risultati che sono stati restituiti. Questa definizione è utile, perché è possibile spiegare il richiamo come il numero di risultati che un sistema può "ricordare", mentre è possibile esprimere la precisione come efficacia o successo mirato nell'identificazione di tali risultati. Qui torniamo a ciò che la precisione e il richiamo significano in senso generale: la capacità di ricordare gli oggetti, rispetto alla capacità di ricordarli correttamente.
L'analisi tecnica di veri positivi, falsi positivi, veri negativi e falsi negativi è estremamente utile nelle tecnologie e nella valutazione dell'apprendimento automatico, al fine di mostrare come funzionano i meccanismi di classificazione e le tecnologie di apprendimento automatico. Misurando la precisione e il richiamo in modo tecnico, gli esperti possono non solo mostrare i risultati dell'esecuzione di un programma di apprendimento automatico, ma possono anche iniziare a spiegare come quel programma produce i suoi risultati - con quale lavoro algoritmico il programma arriva a valutare set di dati in un un modo particolare.
Tenendo presente ciò, molti professionisti dell'apprendimento automatico possono parlare di precisione e ricordare in un'analisi dei risultati di ritorno da set di test, set di addestramento o successivi set di dati sulle prestazioni. L'uso di una matrice o matrice aiuterà a ordinare queste informazioni e mostrerà in modo più trasparente come funziona il programma e quali risultati porta alla tabella.
