सामग्री
सादरः अल्टाएमएल
प्रश्नः
मशीन लर्निंगमध्ये “नेमकेपणा व रिकॉल” म्हणजे काय?
उत्तरः
मशीन शिक्षणात "अचूकता आणि आठवण्याचा अर्थ" स्पष्ट आणि परिभाषित करण्याचे बरेच मार्ग आहेत. हे दोन तत्त्वे जनरेटिंग सिस्टममध्ये गणितीयदृष्ट्या महत्त्वपूर्ण आहेत आणि मानवी विचारांची नक्कल करण्यासाठी एआयच्या प्रयत्नांना सामोरे जाणा key्या महत्त्वपूर्ण मार्गांनी वैचारिकदृष्ट्या महत्त्वपूर्ण आहेत. तथापि, न्यूरोलॉजिकल मूल्यांकनमध्ये देखील लोक “अचूकता आणि आठवण्याचा” वापर करतात.
अचूकतेबद्दल विचार करण्याचा आणि आयटी मधील रिकॉलचा विचार करण्याचा एक मार्ग म्हणजे पुनर्प्राप्त केलेल्या निकालांच्या संख्येपेक्षा संबंधित आयटम आणि पुनर्प्राप्त आयटमचे युनियन म्हणून परिशुद्धता परिभाषित करणे, तर रिकॉल आठवते आणि संबंधित निकालांच्या एकूण निष्कर्षांपेक्षा संबंधित वस्तू आणि पुनर्प्राप्त आयटमचे युनियन प्रतिनिधित्व करते.
त्याचे स्पष्टीकरण करण्याचा दुसरा मार्ग म्हणजे परिशुद्धता म्हणजे वास्तविक वर्गाच्या संचामधील सकारात्मक ओळखांच्या भागाचे मोजमाप करते जे प्रत्यक्षात योग्य होते, तर रिकॉलला योग्य पॉझिटिव्हचे प्रमाण दर्शविले जाते जे योग्यरित्या ओळखले गेले होते.
हे दोन मेट्रिक्स परस्परसंवादी प्रक्रियेत बर्‍याचदा एकमेकांवर परिणाम करत असतात. तंतोतंतपणा दर्शविण्यासाठी आणि गोंधळ दर्शविण्यासाठी खोट्या सकारात्मक, खोट्या सकारात्मक, खर्‍या नकारात्मक आणि खोट्या नकारात्मक गोष्टी टॅग करण्याची प्रणाली तज्ञ वापरतात. वर्गीकरण उंबरठा बदलणे सुस्पष्टता आणि रिकॉलच्या बाबतीत देखील आउटपुट बदलू शकते.
हे सांगण्याचा आणखी एक मार्ग म्हणजे रेकल परत येणे आवश्यक असलेल्या निकालांच्या संख्येने विभाजित योग्य निकालांची संख्या मोजते, तर परिपूर्णतेची पूर्तता केलेल्या सर्व निकालांच्या संख्येने विभाजित केलेल्या योग्य निकालांची संख्या मोजली जाते. ही व्याख्या उपयुक्त आहे, कारण आपण सिस्टमला "लक्षात ठेवू" शकणा results्या निकालांची संख्या म्हणून रिकॉलचे स्पष्टीकरण देऊ शकता तर आपण त्या परिणामांची ओळख पटविण्यासाठी कार्यक्षमता किंवा लक्ष्यित यश म्हणून अचूकपणा टाकू शकता. येथे आपण परत सामान्यपणे समजून घेण्याचा आणि आठवण्याचा अर्थ काय - गोष्टी लक्षात ठेवण्याची क्षमता आणि त्या योग्यरित्या लक्षात ठेवण्याची क्षमता याकडे परत आलो.
वर्गीकरण यंत्रणा आणि मशीन लर्निंग तंत्रज्ञान कसे कार्य करते हे दर्शविण्यासाठी मशीनमध्ये तंत्रज्ञानाचे तंत्रज्ञान आणि मूल्यांकन करण्यासाठी खरा पॉझिटिव्ह, खोटे पॉझिटिव्ह, खरा नकारात्मक आणि खोटे नकारात्मक यांचे तांत्रिक विश्लेषण अत्यंत उपयुक्त आहे. तंतोतंतपणाचे मोजमाप करून आणि तांत्रिक मार्गाने स्मरण करून, तज्ञ केवळ मशीन शिक्षण कार्यक्रम चालवण्याचे परिणाम दर्शवू शकत नाहीत, परंतु त्या प्रोग्रामद्वारे त्याचे परिणाम कसे तयार करतात हे देखील स्पष्ट करण्यास सुरूवात करू शकतात - प्रोग्राम कोणत्या अल्गोरिदमिक कार्याद्वारे डेटा सेटचे मूल्यांकन करण्यासाठी येतो? विशिष्ट मार्ग
हे लक्षात घेतल्यास, बरेच मशीन शिक्षण व्यावसायिक अचूकतेबद्दल बोलू शकतात आणि चाचणी संच, प्रशिक्षण संच किंवा डेटाच्या त्यानंतरच्या कार्यप्रदर्शन संचाच्या परतावा परिणामांच्या विश्लेषणामध्ये परत बोलू शकतात. अ‍ॅरे किंवा मॅट्रिक्स वापरुन ही माहिती ऑर्डर करण्यात मदत होईल आणि प्रोग्राम कसा कार्य करतो आणि कोणत्या परीणामात टेबलवर येतो हे अधिक पारदर्शकपणे दर्शवेल.