Q:
"ความแม่นยำและการเรียกคืน" ในการเรียนรู้ของเครื่องคืออะไร
A:มีหลายวิธีที่จะอธิบายและกำหนด“ ความแม่นยำและการระลึกถึง” ในการเรียนรู้ของเครื่อง หลักการทั้งสองนี้มีความสำคัญทางคณิตศาสตร์ในระบบกำเนิดและที่สำคัญทางความคิดในวิธีที่สำคัญที่เกี่ยวข้องกับความพยายามของ AI เพื่อเลียนแบบความคิดของมนุษย์ ท้ายที่สุดผู้คนก็ใช้“ ความแม่นยำและความทรงจำ” ในการประเมินทางระบบประสาทเช่นกัน
วิธีหนึ่งที่จะคิดเกี่ยวกับความแม่นยำและการเรียกคืนใน IT คือการกำหนดความแม่นยำในการรวมกันของรายการที่เกี่ยวข้องและรายการที่ดึงมาจากจำนวนผลลัพธ์ที่ได้รับในขณะที่การเรียกคืนนั้นแสดงถึงการรวมกันของรายการที่เกี่ยวข้อง
อีกวิธีในการอธิบายก็คือความแม่นยำวัดส่วนของการระบุเชิงบวกในชุดการจำแนกที่ถูกต้องจริงในขณะที่การเรียกคืนแสดงถึงสัดส่วนของผลบวกจริงที่ระบุอย่างถูกต้อง
สองตัวชี้วัดเหล่านี้มักจะส่งผลกระทบต่อกันและกันในกระบวนการโต้ตอบ ผู้เชี่ยวชาญใช้ระบบของการแท็กผลบวกจริงบวกเท็จลบจริงและลบเท็จในเมทริกซ์ความสับสนเพื่อแสดงความแม่นยำและการเรียกคืน การเปลี่ยนเกณฑ์การจัดหมวดหมู่ยังสามารถเปลี่ยนผลลัพธ์ในแง่ของความแม่นยำและการเรียกคืน
อีกวิธีหนึ่งในการกล่าวคือการเรียกคืนการวัดจำนวนผลลัพธ์ที่ถูกต้องหารด้วยจำนวนผลลัพธ์ที่ควรได้รับคืนในขณะที่ความแม่นยำวัดจำนวนผลลัพธ์ที่ถูกต้องหารด้วยจำนวนผลลัพธ์ทั้งหมดที่ถูกส่งคืน คำจำกัดความนี้มีประโยชน์เพราะคุณสามารถอธิบายการเรียกคืนเป็นจำนวนผลลัพธ์ที่ระบบสามารถ "จดจำ" ได้ในขณะที่คุณสามารถใช้ความแม่นยำเป็นประสิทธิภาพหรือความสำเร็จตามเป้าหมายในการระบุผลลัพธ์เหล่านั้น ที่นี่เรากลับไปที่ความแม่นยำและการเรียกคืนในความหมายทั่วไป - ความสามารถในการจำรายการเมื่อเทียบกับความสามารถในการจำได้อย่างถูกต้อง
การวิเคราะห์ทางเทคนิคของผลบวกจริง, ผลบวกปลอม, เชิงลบจริงและเชิงลบเท็จมีประโยชน์อย่างมากในเทคโนโลยีการเรียนรู้ของเครื่องและการประเมินผลเพื่อแสดงให้เห็นว่ากลไกการจำแนกประเภทและเทคโนโลยีการเรียนรู้ของเครื่องทำงานอย่างไร ด้วยการวัดความแม่นยำและการเรียกคืนในลักษณะทางเทคนิคผู้เชี่ยวชาญไม่เพียง แต่สามารถแสดงผลลัพธ์ของการรันโปรแกรมการเรียนรู้ของเครื่อง แต่ยังสามารถเริ่มอธิบายว่าโปรแกรมนั้นสร้างผลลัพธ์ได้อย่างไร - ด้วยอัลกอริธึมที่โปรแกรมทำงานเพื่อประเมินชุดข้อมูลใน วิธีเฉพาะ
โดยที่ในใจผู้เชี่ยวชาญด้านการเรียนรู้เครื่องจำนวนมากอาจพูดคุยเกี่ยวกับความแม่นยำและการเรียกคืนในการวิเคราะห์ผลตอบแทนจากชุดทดสอบชุดฝึกอบรมหรือชุดข้อมูลประสิทธิภาพที่ตามมา การใช้อาร์เรย์หรือเมทริกซ์จะช่วยในการสั่งซื้อข้อมูลนี้และแสดงให้เห็นอย่างชัดเจนมากขึ้นว่าโปรแกรมทำงานอย่างไรและผลลัพธ์ใดที่นำมาสู่ตาราง
