Contenido
Presentado por: AltaML
Q:
¿Qué es "precisión y recuperación" en el aprendizaje automático?
UNA:
Hay varias formas de explicar y definir "precisión y recuperación" en el aprendizaje automático. Estos dos principios son matemáticamente importantes en los sistemas generativos, y conceptualmente importantes, en formas clave que involucran los esfuerzos de la IA para imitar el pensamiento humano. Después de todo, las personas también usan "precisión y memoria" en la evaluación neurológica.
Una forma de pensar sobre la precisión y la recuperación en TI es definir la precisión como la unión de los elementos relevantes y los elementos recuperados sobre el número de resultados recuperados, mientras que la recuperación representa la unión de los elementos relevantes y los elementos recuperados sobre el total de resultados relevantes.
Otra forma de explicarlo es que la precisión mide la parte de las identificaciones positivas en un conjunto de clasificación que en realidad eran correctas, mientras que el recuerdo representa la proporción de positivos reales que se identificaron correctamente.
Estas dos métricas a menudo se afectan entre sí en un proceso interactivo. Los expertos utilizan un sistema de etiquetado de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos en una matriz de confusión para mostrar precisión y memoria. Cambiar el umbral de clasificación también puede cambiar la salida en términos de precisión y recuperación.
Otra forma de decirlo es que la recuperación mide el número de resultados correctos, dividido por el número de resultados que deberían haberse devuelto, mientras que la precisión mide el número de resultados correctos dividido por el número de todos los resultados que se devolvieron. Esta definición es útil, porque puede explicar el recuerdo como la cantidad de resultados que un sistema puede "recordar", mientras que puede proyectar la precisión como la eficacia o el éxito específico de identificar esos resultados. Aquí volvemos a lo que significa precisión y recuerdo en un sentido general: la capacidad de recordar elementos, frente a la capacidad de recordarlos correctamente.
El análisis técnico de los verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos es extremadamente útil en las tecnologías de aprendizaje automático y en la evaluación, para mostrar cómo funcionan los mecanismos de clasificación y las tecnologías de aprendizaje automático. Al medir la precisión y el recuerdo de una manera técnica, los expertos no solo pueden mostrar los resultados de ejecutar un programa de aprendizaje automático, sino que también pueden comenzar a explicar cómo ese programa produce sus resultados, según el trabajo algorítmico que realiza el programa para evaluar conjuntos de datos en un manera particular.
Con eso en mente, muchos profesionales del aprendizaje automático pueden hablar sobre la precisión y el recuerdo en un análisis de los resultados de los conjuntos de pruebas, conjuntos de entrenamiento o conjuntos de datos de rendimiento posteriores. El uso de una matriz o matriz ayudará a ordenar esta información y mostrará de manera más transparente cómo funciona el programa y qué resultados aporta a la tabla.