Contenu
Présenté par: AltaML
Q:
Qu'est-ce que la «précision et le rappel» dans l'apprentissage automatique?
UNE:
Il existe plusieurs façons d’expliquer et de définir la «précision et le rappel» dans l’apprentissage automatique. Ces deux principes sont importants sur le plan mathématique dans les systèmes génératifs et conceptuellement, de manière essentielle, impliquant les efforts de l'IA pour imiter la pensée humaine. Après tout, les gens utilisent également la «précision et le rappel» dans l'évaluation neurologique.
Une façon de penser à la précision et au rappel dans le service informatique consiste à définir la précision comme étant l'union des éléments pertinents et des éléments récupérés par rapport au nombre de résultats récupérés, alors que le rappel représente l'union des éléments pertinents et des éléments extraits par rapport au total des résultats pertinents.
Une autre façon de l'expliquer est que la précision mesure la partie des identifications positives dans un ensemble de classification qui étaient réellement correctes, alors que le rappel représente la proportion des positifs réels correctement identifiés.
Ces deux métriques s’affectent souvent dans un processus interactif. Les experts utilisent un système de marquage des vrais positifs, des faux positifs, des vrais négatifs et des faux négatifs dans une matrice de confusion afin de montrer la précision et le rappel. La modification du seuil de classification peut également modifier la sortie en termes de précision et de rappel.
Une autre façon de dire est que rappel mesure le nombre de résultats corrects, divisé par le nombre de résultats qui auraient dû être renvoyés, tandis que la précision mesure le nombre de résultats corrects divisé par le nombre de résultats renvoyés. Cette définition est utile car vous pouvez expliquer rappel comme le nombre de résultats qu'un système peut «mémoriser», tandis que vous pouvez définir précision comme étant l'efficacité ou le succès ciblé de l'identification de ces résultats. Nous revenons ici à ce que signifie précision et rappel au sens général - la capacité de se souvenir d'éléments, par opposition à la capacité de s'en souvenir correctement.
L'analyse technique des vrais positifs, des faux positifs, des vrais négatifs et des faux négatifs est extrêmement utile dans les technologies d'apprentissage automatique et d'évaluation, afin de montrer le fonctionnement des mécanismes de classification et des technologies d'apprentissage automatique. En mesurant la précision et en rappelant de manière technique, les experts peuvent non seulement montrer les résultats de l’exécution d’un programme d’apprentissage automatique, mais aussi commencer à expliquer comment ce programme produit ses résultats - en fonction du travail algorithmique fourni par le programme pour évaluer les ensembles de données dans une d'une manière particulière.
Gardant cela à l’esprit, de nombreux professionnels de l’apprentissage automatique peuvent parler de précision et de rappel dans une analyse des résultats de retour d’ensembles de tests, d’entraînements ou d’ensembles de données de performances ultérieurs. L'utilisation d'un tableau ou d'une matrice vous aidera à classer ces informations et à montrer de manière plus transparente le fonctionnement du programme et les résultats qu'il apporte à la table.