ትክክለኛነት እና ማስታወስ
ትክክለኝነት እና ማስታወስ ክላሲፋየሮችን ለመገምገም ሁለት ተጨማሪ መለኪያዎች ናቸው፣በተለይም ክፍሎች ሚዛናዊ ባልሆኑበት።
አጠቃላይ እይታ
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
ጥልቅ ዳይቭ
አንድ ሞዴል እቃዎችን በአዎንታዊ መልኩ ሲጠቁም ሁለት ጥያቄዎች አስፈላጊ ናቸው. ትክክለኛነት ይጠይቃል፡- ከጠቆምናቸው ነገሮች ውስጥ ምን ያህል አዎንታዊ ነበር? የሐሰት ማንቂያዎችን በመቅጣት በሁሉም የተገመቱ አወንታዊዎች የተከፋፈሉ እውነተኛ አወንታዊዎችን እኩል ነው። አስታውስ (ትብነት) ይጠይቃል፡ እዚያ ካሉት እውነተኛ አወንታዊ ነገሮች፣ ስንቱን ያዝን? በሁሉም ትክክለኛ አወንታዊ ነገሮች የተከፋፈለ፣ የጠፉትን የሚቀጣ እውነተኛ አወንታዊዎችን እኩል ነው። እነዚህ ብዙውን ጊዜ ይለዋወጣሉ፡ የውሳኔውን ገደብ ዝቅ ማድረግ የበለጠ አወንታዊ ነገሮችን ይይዛል (ከፍተኛ ማስታወስ) ነገር ግን የበለጠ ቆሻሻን (ዝቅተኛ ትክክለኛነትን) ያሳያል፣ እና በተቃራኒው። የትኛውን ማስቀደም በወጪዎች ላይ የተመሰረተ ነው - የአይፈለጌ መልእክት ማጣሪያ ትክክለኛነትን ይደግፋል (እውነተኛ መልዕክቶችን አታስቀምጡ) ፣ የካንሰር ማያ ገጽ ግን ማስታወስን ይደግፋል (እጢ እንዳያመልጥዎት)። የF1 ነጥብ፣ የእነርሱ ሃርሞኒክ አማካኝ፣ ሁለቱንም በአንድ ቁጥር ያመጣቸዋል።
ቴክኒካዊ ግንዛቤ
ሁለቱም መለኪያዎች ከግራ መጋባት ማትሪክስ እውነተኛ አወንታዊ (ቲፒ)፣ የውሸት አወንታዊ (ኤፍፒ) እና የውሸት አሉታዊ (FN): ትክክለኛነት = TP / (TP + FP) ፣ Recall = TP / (TP + FN) ይመጣሉ። በተለይም፣ ሁለቱም እውነተኛ አሉታዊ ነገሮችን አይጠቀሙም፣ ለዛም ነው አሉታዊ ጎኖቹ ከአዎንታዊው ቁጥር ሲበልጡ መረጃ ሰጪ ሆነው የሚቆዩት። የምደባ ጣራውን መጥረግ ትክክለኛ የማስታወስ ኩርባን ይከታተላል፤ በእሱ ስር ያለው ቦታ (አማካይ ትክክለኛነት) አፈፃፀሙን ያጠቃልላል እና ከ ROC-AUC በጣም ሚዛናዊ ባልሆነ መረጃ ላይ ይመረጣል።
ስልታዊ ተጽእኖ
ግልጽ ውሳኔዎች
ግልጽ ቴክኒካዊ የይገባኛል ጥያቄዎችን ከገበያ ቋንቋ እንዲለዩ ያግዝዎታል።
ወጪ እና በጀት
ገንዘብን ወይም ጊዜን ከማጥፋትዎ በፊት የተሻሉ የትግበራ ጥያቄዎችን መጠየቅ ይችላሉ።
ቡድን እና የስራ ፍሰት
የጋራ ግንዛቤ ያላቸው ቡድኖች የተሻለ ምርት፣ ፖሊሲ እና የመማር ውሳኔዎችን ያደርጋሉ።
የትክክለኛነት እና የማስታወስ የወደፊት
AI ወደ ከፍተኛ ደረጃ ጎራዎች ውስጥ ሲገባ - የህክምና ምርመራ፣ የይዘት ልከኝነት፣ ማጭበርበር - ቡድኖች ከጊዜ ወደ ጊዜ ከትክክለኛነት ይልቅ ትክክለኛነትን ሪፖርት ያደርጋሉ እና ያስታውሳሉ (እና ኩርባዎቻቸው) እና ከእውነተኛው ዓለም ወጪዎች እና የፍትሃዊነት ገደቦች ጋር ለማዛመድ ጣራዎችን ያስተካክላሉ። በቡድን ትክክለኛ/የማስታወስ ኦዲት በተለያዩ የስነ-ሕዝብ መረጃዎች ላይ የተለያየ የስህተት ምጣኔን ለመለየት መደበኛ እየሆነ ነው። ባለድርሻ አካላት ነባሪውን 0.5 ጣራ ከመቀበል ይልቅ በይነተገናኝ የስራ ማስኬጃ ነጥቦችን እንዲመርጡ የሚያስችል የበለጸጉ ወጪ ቆጣቢ መለኪያዎችን፣ የተስተካከሉ ፕሮባቢሊቲዎችን እና የመሳሪያ መሳሪያዎችን ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
አይፈለጌ መልእክት ከፍተኛ ትክክለኛነትን ያጣራል ስለዚህ ህጋዊ ኢሜይሎች በጭራሽ በስህተት ወደ አይፈለጌ መልእክት አቃፊ አይላኩም።
የሕክምና የማጣሪያ ምርመራዎች በበሽታው የተያዙ በሽተኞችን ላለማጣት እና ለክትትል ተጨማሪ የውሸት አወንታዊ ውጤቶችን ለመቀበል ለከፍተኛ ማስታወስ ቅድሚያ ይሰጣሉ።
የፍለጋ እና የምክር ስርዓቶች የደረጃ ጥራትን ለመለካት precision@k (ከከፍተኛ k ውጤቶች ውስጥ ምን ያህሉ ተዛማጅ ናቸው) ሪፖርት ያደርጋሉ።
ሁለቱም የውሸት ማንቂያዎች እና ያመለጡ ማጭበርበር ብዙ ወጪ የሚጠይቁ በመሆናቸው የማጭበርበር ፈልጎ ማግኘቱ ትክክለኛነትን እና ማስታወስን በF1 ነጥብ በኩል ያስተካክላል።
አደጋዎች እና የጥበቃ መንገዶች
የተለያዩ ቡድኖች ተመሳሳይ ቃል በተለያየ መንገድ ሊጠቀሙ ይችላሉ፣ ስለዚህ ወሰንን ቀደም ብለው ይግለጹ።
የገሃዱ ዓለም አፈጻጸም ያልተስተካከለ ሆኖ ሳለ ማመሳከሪያዎች ጠንካራ ሊመስሉ ይችላሉ።
የውሂብ ጥራት እና የግምገማ እቅዶችን ችላ ማለት ብዙውን ጊዜ ደካማ ውጤቶችን ይፈጥራል.
የትግበራ ፍኖተ ካርታ
የሚፈልጉትን ውጤት በግልፅ ቋንቋ ትርጉም ይጀምሩ።
ከመሞከርዎ በፊት አንድ የስኬት መለኪያ እና አንድ የውድቀት ሁኔታ ይምረጡ።
አንድ ትንሽ አብራሪ በተወካይ ውሂብ ያሂዱ እንጂ የተጣራ ማሳያ ስብስብ አይደለም።
Precision and Recall የሚረዳበት እና ቀለል ያሉ ዘዴዎች የሚሻሉበት ሰነድ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Precision and Recall quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
Tempus AI በትክክለኛ መድሃኒት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Precision and Recall?
ትክክለኝነት እና ማስታወስ ክላሲፋየሮችን ለመገምገም ሁለት ተጨማሪ መለኪያዎች ናቸው፣በተለይም ክፍሎች ሚዛናዊ ባልሆኑበት። አንድ ላይ ሆነው ግልጽ ትክክለኛነት ምን እንደሚደብቅ ያሳያሉ-የአምሳያው አወንታዊ ትንበያዎች ምን ያህል ጊዜ ትክክል እንደሆኑ እና ምን ያህል እውነተኛ አወንታዊ ውጤቶችን እንደሚይዝ ያሳያሉ።
What is next for Precision and Recall?
AI ወደ ከፍተኛ ደረጃ ጎራዎች ውስጥ ሲገባ - የህክምና ምርመራ፣ የይዘት ልከኝነት፣ ማጭበርበር - ቡድኖች ከጊዜ ወደ ጊዜ ከትክክለኛነት ይልቅ ትክክለኛነትን ሪፖርት ያደርጋሉ እና ያስታውሳሉ (እና ኩርባዎቻቸው) እና ከእውነተኛው ዓለም ወጪዎች እና የፍትሃዊነት ገደቦች ጋር ለማዛመድ ጣራዎችን ያስተካክላሉ። በቡድን ትክክለኛ/የማስታወስ ኦዲት በተለያዩ የስነ-ሕዝብ መረጃዎች ላይ የተለያየ የስህተት ምጣኔን ለመለየት መደበኛ እየሆነ ነው። ባለድርሻ አካላት ነባሪውን 0.5 ጣራ ከመቀበል ይልቅ በይነተገናኝ የስራ ማስኬጃ ነጥቦችን እንዲመርጡ የሚያስችል የበለጸጉ ወጪ ቆጣቢ መለኪያዎችን፣ የተስተካከሉ ፕሮባቢሊቲዎችን እና የመሳሪያ መሳሪያዎችን ይጠብቁ።
ትክክለኛነት የትኛውን ጥያቄ ይመልሳል?
ትክክለኛነት = TP / (TP + FP) የአምሳያው አወንታዊ ትንበያዎች ትክክለኛነት ይለካል - አዎንታዊ ባንዲራ ምን ያህል እምነት የሚጣልበት ነው።
ለምንድነው ትክክለኝነት እና ማስታወስ ከትክክለኛ ትክክለኛነት ይልቅ ሚዛናዊ ያልሆኑ የመረጃ ስብስቦች ለምንድነው የሚመረጡት?
ሁለቱም መለኪያዎች እውነተኛ አሉታዊ ነገሮችን ስለማይጠቀሙ፣ ልክ እንደ ትክክለኛነት ለመተንበይ ቀላል በሆነ ትልቅ ክፍል አይነፉም።