सामग्री
प्रश्नः
एमएलमध्ये गोंधळ मॅट्रिक्स का उपयुक्त आहे?
उत्तरः
मशीन लर्निंग (एमएल) मध्ये गोंधळ मॅट्रिक्स का महत्वाचा आहे याबद्दल बोलण्याचे बरेच मार्ग आहेत - परंतु एक सोपा मार्ग म्हणजे कन्फ्यूजन मॅट्रिक्स हा डेटा व्हिज्युअलायझेशन संसाधन आहे.
एक गोंधळ मॅट्रिक्स दर्शकांना वर्गीकरणकर्ता किंवा इतर अल्गोरिदम वापरण्याचे परिणाम एका दृष्टीक्षेपात पाहण्याची परवानगी देतो. विश्लेषणात्मक परिणाम दर्शविण्यासाठी एक सोपी सारणी वापरुन, गोंधळ मॅट्रिक्स मूलत: आपल्या आउटपुटला अधिक पचण्यायोग्य दृश्यात उकळतो.
गोंधळ मॅट्रिक्स परिणामांची व्यवस्था करण्यासाठी विशिष्ट शब्दावली वापरते. खरा सकारात्मक आणि खरा नकारात्मक तसेच चुकीचा सकारात्मक आणि खोट्या नकारात्मक गोष्टी देखील आहेत. अधिक क्लिष्ट गोंधळ मॅट्रिक्स किंवा तुलना वर्गीकरणावर आधारित एकासाठी, ही मूल्ये दोन भिन्न वस्तूंसाठी वास्तविक आणि भाकीत वर्ग म्हणून दर्शविली जाऊ शकतात.
अर्थपूर्ण शब्दावलीची पर्वा न करता, परिणाम वर्ग (किंवा आयताकृती) सारणीमध्ये विभागला गेला.
वर्गीकरण परिणामांमध्ये अल्गोरिदम किती अचूक होता हे पाहणे विश्लेषकांना हे दृश्य सोपे करते. (एएससीआयआय आर्टवर कार्य करण्यासाठी नवीन जनरेटर मॉडर्न अल्गोरिदम घाला. वाचा.)
गोंधळ मॅट्रिक्सची उपयुक्तता एमएल प्रकल्पांच्या जटिलतेशी आणि वापरकर्त्यांपर्यंत माहिती स्वरूपित आणि वितरित करण्याच्या पद्धतीशी आहे. चुकीच्या पॉझिटिव्हस, खोट्या नकारात्मक, खर्‍या पॉझिटिव्ह आणि खर्‍या नकारात्मकसह रेखीय निकालांच्या तारांची कल्पना करा. (मशीन लर्निंग 101 वाचा.)
वापरकर्त्याने अल्गोरिदम कसे कार्य केले आणि ते किती अचूक होते हे समजण्यासाठी वापरकर्त्यास त्या सर्व रेषीय परीणामांचे ग्राफमध्ये टॅबलेट करावे लागेल. गोंधळ मॅट्रिक्ससह, ही माहिती केवळ एक शक्तिशाली व्हिज्युअल मॉडेलमध्ये सादर केली जाते.
उदाहरणार्थ, समजा मशीनला 20 प्रतिमा वर्गीकृत करण्यास सांगितले गेले, त्यातील पाच फळे आणि पाच भाज्या आहेत. जर एखाद्या गोंधळाच्या मॅट्रिक्सने खालील सामग्री (वरच्या डाव्या घड्याळाच्या दिशेने) ठेवली असेल: तर मॅट्रिक्स हे दर्शविते की सात योग्यप्रकारे भाज्या म्हणून ओळखले गेले आहेत, तर तीन योग्य प्रकारे फळ म्हणून वर्गीकृत केले गेले आहेत.
इतर 10, प्रतिनिधित्त्वानुसार असे परिणाम आहेत जेथे प्रोग्राम योग्य प्रकारे ओळखण्यात अयशस्वी झाला.
गोंधळ मॅट्रिक्स सर्व प्रकारच्या एमएल inनालिटिक्समध्ये उपयुक्त ठरेल. या स्त्रोताचे निरीक्षण करून, वापरकर्ते आयाम आणि अति योग्यता यासारख्या समस्या कशा हाताळाव्यात आणि अल्गोरिदम ऑप्टिमाइझ करण्यासाठी इतर मार्ग शोधू शकतात.