LegközelebbKövetkező útmutató
Keresztellenőrzés
Alapok
Alapok ÚTMUTATÓ
A zavaros mátrix egy egyszerű táblázat, amely az osztályozó előrejelzéseit minden osztálynál helyes és helytelen számokra bontja.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez a nyers eredménytábla, amelyből szinte minden más osztályozási mérőszám kiszámításra kerül.
A zavaros mátrix egy rács, amely összehasonlítja az előre jelzett címkéket a tényleges címkékkel. A bináris osztályozáshoz négy cella van: igaz pozitívak (helyesen előrejelzett pozitív), valódi negatívok (helyesen jósolt negatív), hamis pozitívak (a hibásan pozitívnak jelölt negatívok, „I. típusú hiba”) és hamis negatívok (kihagyott pozitív értékek, „II-es típusú hiba”). Ebből a négy számból származtatja a pontosságot ((TP+TN)/összesen), a precizitást (TP/(TP+FP)), a felidézést vagy érzékenységet (TP/(TP+FN)), a specifikusságot (TN/(TN+FP)) és az F1 pontszámot (a pontosság és az előhívás harmonikus átlaga). Kettőnél több osztályra vonatkozó problémák esetén a mátrix N-szerszámúvá válik, ahol az átló helyes előrejelzéseket tartalmaz, és az átlón kívüli cellák pontosan megmutatják, hogy mely osztályok keverednek össze másokkal.
Annak diagnosztizálása, hogy hol hibásodik meg egy képosztályozó, ha látja, hogy gyakran összetéveszti a husky-kat a farkasokkal a nem átlós cellákban
Egy orvosi szűrőeszköz auditálása a hamis negatív eredmények – a modell által egészségesnek nyilvánított betegségben szenvedő betegek – vizsgálatával
Két olyan e-mail spamszűrő összehasonlítása, amelyek azonos pontossággal rendelkeznek, de abban különböznek, hogy hány valódi e-mailt blokkolnak tévesen (hamis pozitív)
Egy többosztályú, kézzel írott számjegy felismerő értékelése annak megállapítására, hogy a 4-eseket és a 9-eseket leggyakrabban összetévesztik
A zavaros mátrixok továbbra is alapvetőek maradnak, de az eszközök gazdagabbá teszik őket: interaktív, normalizált hőtérképek, osztályonkénti lebontások nagy címkekészletekhez és költségsúlyozott mátrixok, amelyek megszorozzák az egyes hibatípusokat a valós büntetéssel. A méltányossági audit során a szakemberek demográfiai alcsoportonként külön tévedési mátrixokat számítanak ki, hogy felfedjék az egyenlőtlen hibaarányokat. Várható a folyamatos integráció a modell-irányítópultokba, ahol egy cellára kattintva megjelennek a ténylegesen rosszul besorolt példák ellenőrzés céljából.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A zavaros mátrix egy egyszerű táblázat, amely az osztályozó előrejelzéseit minden osztálynál helyes és helytelen számokra bontja. Ez a nyers eredménytábla, amelyből szinte minden más osztályozási mérőszám kiszámításra kerül.
Az álnegatív egy tényleges pozitívum, amelyet a modell figyelmen kívül hagyott azzal, hogy negatívnak jelölte – például egy beteg beteget egészségesnek nyilvánítottak.
A visszahívás (érzékenységnek vagy valódi pozitív aránynak is nevezik) TP / (TP + FN) – a modell által elkapott valós pozitívumok aránya.
Egy N-szer N mátrixban az átló azokat az eseteket tartalmazza, amikor a megjósolt osztály megegyezik a valós osztállyal – azaz helyes előrejelzésekkel.
Két azonos pontosságú modell nagyon eltérően oszthatja el hibáit; a zavaros mátrix felfedi, hogy a hibák többnyire téves riasztások vagy kihagyott pozitív értékek.
Az F1 a pontosságot és a visszahívást egy számba ötvözi a harmonikus átlag használatával, ami kiküszöböli a kettő közötti nagy egyensúlyhiányt.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Keresztellenőrzés
Alapok