Glosārijs

Neskaidrību matrica

Kas ir Neskaidrību matrica?

Neskaidrību matrica ir tabula, kas salīdzina klasifikatora prognozes ar faktiskajām klasēm. Diviem klasēm tā parāda patiesi pozitīvos, viltus pozitīvos, patiesi negatīvos un viltus negatīvos gadījumus. No tās var aprēķināt tādas metrikas kā precizitāte, pārklājums un F1 rādītājs, un kļūst skaidrs, kādas kļūdas rodas. Piemērs: surogātpasta filtram, kas daudzus īstus e-pastus atzīmē kā surogātpastu, ir daudz viltus pozitīvu rezultātu, kas bieži ir dārgāk nekā nokavēts surogātpasta ziņojums.

Tēmas

Modeļu novērtēšana
Novērtējums
Metrikas

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo

← Visi termini

Saistītie termini

F rādītājs (F1 rādītājs)

F rādītājs ir klasifikācijas modeļu novērtēšanas metrika. Plaši lietotais F1 rādītājs ir precizitātes (cik daudz no prognozētajiem trāpījumiem ir pareizi) un pārklājuma (cik daudz no faktiskajiem trāpījumiem tika atrasti) harmoniskais vidējais, un tas svārstās no 0 līdz 1. Tas ir īpaši noderīgs ar nesabalansētiem datiem: surogātpasta filtram, kas gandrīz nekad neatzīmē surogātpastu, var būt augsta pareizība, bet zems F1 rādītājs.

Novērtēšanas metrika
Novērtējums
+1

Pilnība mašīnmācīšanās

Pilnība (to sauc arī par jutīgumu vai patieso pozitīvo rādītāju) mēra, kādu daļu no faktiskajiem pozitīvajiem gadījumiem modelis atpazīst: pareizi identificētie pozitīvie, dalīti ar visiem reālajiem pozitīvajiem. Ja krāpšanas filtrs noķer 80 no 100 reāliem krāpšanas gadījumiem, tā pilnība ir 0,8. Augsta pilnība ir svarīga, ja palaistie gadījumi ir dārgi, piemēram, medicīniskajā diagnostikā. Tā kā tā neņem vērā viltus trauksmes, to parasti aplūko kopā ar precizitāti, piemēram, F-rādītājā.

metrika
modeļa novērtēšana
+1

Klasifikators

Klasifikators ir modelis vai metode, kas ievaddatus piešķir vienai no vairākām iepriekš noteiktām kategorijām. Klasiskus variantus, piemēram, lēmumu kokus vai naivo Beijesa metodi, apmāca uz marķētiem piemēriem; valodas modeļi tekstus var šķirot arī pēc kategoriju apraksta. Tipiski lietojumi ir surogātpasta atpazīšana, klientu pieprasījumu šķirošana pēc tēmas un kvīšu kategorizēšana. Kvalitāti mēra ar metrikām, piemēram, pareizību, precizitāti un pārklājumu.

Novērtējums
Mašīnmācīšanās
+1

Veidne

ROC līkne

ROC līkne (receiver operating characteristic) parāda, cik labi klasifikācijas modelis nošķir divas klases. Katram iespējamam lēmuma slieksnim tā attēlo patieso pozitīvo rādītāju (pilnību) pret viltus pozitīvo rādītāju. Jo tuvāk līkne tuvojas augšējam kreisajam stūrim, jo labāk; diagonāle atbilst tīrai minēšanai. Laukums zem tās (AUC) apkopo līkni vienā skaitlī un palīdz, piemēram, salīdzinot dažādus krāpšanas atklāšanas modeļus.

metrika
modeļa novērtēšana
+1