Contente
Apresentado por: AltaML
Q:
O que é "precisão e recall" no aprendizado de máquina?
UMA:
Existem várias maneiras de explicar e definir "precisão e recall" no aprendizado de máquina. Esses dois princípios são matematicamente importantes em sistemas generativos e conceitualmente importantes, de maneiras importantes que envolvem os esforços da IA para imitar o pensamento humano. Afinal, as pessoas também usam "precisão e recordação" na avaliação neurológica.
Uma maneira de pensar sobre precisão e recall em TI é definir precisão como a união de itens relevantes e itens recuperados sobre o número de resultados recuperados, enquanto o recall representa a união de itens relevantes e itens recuperados sobre o total de resultados relevantes.
Outra maneira de explicar é que a precisão mede a parte das identificações positivas em um conjunto de classificação que estava realmente correto, enquanto o recall representa a proporção de positivos reais que foram identificados corretamente.
Essas duas métricas geralmente afetam uma à outra em um processo interativo. Os especialistas usam um sistema de marcação de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos em uma matriz de confusão para mostrar precisão e recordação. Alterar o limite de classificação também pode alterar a saída em termos de precisão e recuperação.
Outra maneira de dizer é que a rechamada mede o número de resultados corretos, dividido pelo número de resultados que deveriam ter sido retornados, enquanto a precisão mede o número de resultados corretos dividido pelo número de todos os resultados que foram retornados. Essa definição é útil, porque você pode explicar a rechamada como o número de resultados que um sistema pode "lembrar", enquanto pode definir a precisão como a eficácia ou o sucesso almejado na identificação desses resultados. Aqui, voltamos ao que precisão e recordação significam em um sentido geral - a capacidade de lembrar itens, versus a capacidade de lembrá-los corretamente.
A análise técnica de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos é extremamente útil nas tecnologias e na avaliação de aprendizado de máquina, para mostrar como funcionam os mecanismos de classificação e as tecnologias de aprendizado de máquina. Ao medir a precisão e o recall de uma maneira técnica, os especialistas podem não apenas mostrar os resultados da execução de um programa de aprendizado de máquina, mas também podem começar a explicar como esse programa produz seus resultados - por qual trabalho algorítmico o programa vem para avaliar conjuntos de dados em um modo particular.
Com isso em mente, muitos profissionais de aprendizado de máquina podem falar sobre precisão e recall em uma análise dos resultados de retorno de conjuntos de testes, conjuntos de treinamento ou conjuntos de dados de desempenho subsequentes. O uso de uma matriz ou matriz ajudará a solicitar essas informações e a mostrar de forma mais transparente como o programa funciona e quais resultados ele traz para a tabela.