S:
Makine öğreniminde “hassasiyet ve hatırlama” nedir?
A:Makine öğreniminde “kesinlik ve hatırlama” yı açıklamanın ve tanımlamanın birkaç yolu vardır. Bu iki ilke, üretken sistemlerde matematiksel olarak önemlidir ve yapay zekanın insan düşüncesini taklit etme çabalarını içeren anahtar yollarla kavramsal olarak önemlidir. Sonuçta, insanlar nörolojik değerlendirmede de “hassasiyet ve hatırlama” kullanırlar.
BT'de kesinlik ve geri çağırma hakkında düşünmenin bir yolu, kesinlik elde edilen sonuçların sayısı üzerinden kesinlik ile ilgili öğelerin ve alınan öğelerin birleşmesi olarak tanımlamaktır.
Bunu açıklamanın bir başka yolu, hassasiyetin, bir sınıflandırma setindeki pozitif tanımlamaların gerçekte doğru olan kısmını ölçmesi, geri çağırma ise doğru olarak tanımlanan gerçek pozitiflerin oranını temsil etmesidir.
Bu iki ölçüm genellikle etkileşimli bir süreçte birbirini etkiler. Uzmanlar, bir karışıklık matrisinde doğruluk ve hatırlamayı göstermek için gerçek pozitifleri, yanlış pozitifleri, gerçek negatifleri ve yanlış negatifleri etiketleme sistemini kullanırlar. Sınıflandırma eşiğinin değiştirilmesi, çıktıyı hassasiyet ve hatırlama açısından da değiştirebilir.
Söylemenin başka bir yolu, hatırlamanın doğru sonuçların sayısını, döndürülmesi gereken sonuçların sayısına böldüğü, hassasiyet ise doğru sonuçların sayısının döndürülen tüm sonuçların sayısına bölünmesini ölçmesidir. Bu tanım yararlıdır, çünkü hatırlamayı bir sistemin “hatırlayabileceği” sonuç sayısı olarak açıklayabilirken, bu sonuçları tanımlamanın etkinliği ya da hedeflenen başarısı olarak kesinlik kazanabilirsiniz. Burada, genel anlamda hassasiyet ve hatırlamanın ne anlama geldiğine geri dönüyoruz - öğeleri hatırlama yeteneği, onları doğru hatırlama yeteneği.
Gerçek pozitiflerin, yanlış pozitiflerin, gerçek negatiflerin ve yanlış negatiflerin teknik analizi, sınıflandırma mekanizmalarının ve makine öğrenme teknolojilerinin nasıl çalıştığını göstermek için makine öğrenme teknolojilerinde ve değerlendirmesinde son derece yararlıdır. Hassaslığı ve hatırlamayı teknik bir şekilde ölçerek, uzmanlar sadece bir makine öğrenme programı yürütmenin sonuçlarını göstermekle kalmaz, aynı zamanda programın sonuçlarını nasıl ürettiğini açıklamaya başlayabilir - programın veri setlerini değerlendirmek için hangi algoritmik çalışmayla özel yol.
Bunu göz önünde bulundurarak, birçok makine öğrenimi uzmanı, test setleri, eğitim setleri veya müteakip performans setlerinden elde edilen sonuçların analizinde hassasiyetten bahsedebilir ve hatırlayabilir. Bir dizi veya matris kullanmak, bu bilgilerin sipariş edilmesine yardımcı olur ve programın nasıl çalıştığını ve tabloya hangi sonuçları getirdiğini daha şeffaf bir şekilde gösterir.
