विषय
द्वारा प्रस्तुत: AltaML
प्रश्न:
मशीन लर्निंग में "सटीक और रिकॉल" क्या है?
ए:
मशीन लर्निंग में "सटीक और रिकॉल" को समझाने और परिभाषित करने के कई तरीके हैं। ये दोनों सिद्धांत जेनेटिक सिस्टम में गणितीय रूप से महत्वपूर्ण हैं, और वैचारिक रूप से महत्वपूर्ण हैं, प्रमुख तरीकों में जो मानव विचार की नकल करने के लिए एआई के प्रयासों को शामिल करते हैं। आखिरकार, लोग न्यूरोलॉजिकल मूल्यांकन में भी "सटीक और याद" का उपयोग करते हैं।
आईटी के बारे में सटीक और याद रखने के बारे में सोचने का एक तरीका यह है कि सटीक को प्रासंगिक वस्तुओं के संघ के रूप में परिभाषित किया जाए और प्राप्त परिणामों की संख्या से अधिक वस्तुओं को पुनः प्राप्त किया जाए, जबकि रिकॉल प्रासंगिक वस्तुओं और प्रासंगिक परिणामों के कुल पर प्राप्त वस्तुओं के संघ का प्रतिनिधित्व करता है।
इसे समझाने का एक और तरीका यह है कि सटीक एक वर्गीकरण सेट में सकारात्मक पहचान के हिस्से को मापता है जो वास्तव में सही थे, जबकि याद करते हैं कि वास्तविक सकारात्मकता के अनुपात का प्रतिनिधित्व करता है जिसे सही ढंग से पहचाना गया था।
ये दो मैट्रिक्स अक्सर एक दूसरे को एक इंटरैक्टिव प्रक्रिया में प्रभावित कर रहे हैं। विशेषज्ञ सटीक और याद दिखाने के लिए भ्रम की स्थिति में वास्तविक सकारात्मकता, झूठी सकारात्मकता, सच्ची नकारात्मकता और गलत नकारात्मक को टैग करने की प्रणाली का उपयोग करते हैं। वर्गीकरण थ्रेशोल्ड को बदलना भी सटीक और याद के रूप में आउटपुट को बदल सकता है।
इसे कहने का एक और तरीका यह है कि रिकॉल सही परिणामों की संख्या को मापता है, जिन्हें वापस किए जाने वाले परिणामों की संख्या से विभाजित किया गया है, जबकि सटीक माप उन सभी परिणामों की संख्या से विभाजित किए गए सही परिणामों की संख्या है जो वापस आए थे। यह परिभाषा सहायक है, क्योंकि आप याद कर सकते हैं कि परिणाम की संख्या कितनी है जो एक प्रणाली "याद" कर सकती है, जबकि आप सटीकता को प्रभावकारिता के रूप में डाल सकते हैं या उन परिणामों की पहचान करने में लक्षित सफलता प्राप्त कर सकते हैं। यहां हम एक सामान्य अर्थ में सटीक और याद करने के लिए क्या कहते हैं - वस्तुओं को याद रखने की क्षमता, बनाम उन्हें सही ढंग से याद करने की क्षमता।
कैसे वर्गीकरण तंत्र और मशीन सीखने की तकनीक काम करती है, यह दिखाने के लिए मशीन पोजीशनिंग टेक्नॉलॉजी और मूल्यांकन में सही पॉज़िटिव, झूठी पॉज़िटिव, सही निगेटिव और गलत निगेटिव का तकनीकी विश्लेषण बेहद उपयोगी है। तकनीकी तरीके से परिशुद्धता और याद को मापने के द्वारा, विशेषज्ञ न केवल मशीन लर्निंग प्रोग्राम चलाने के परिणाम दिखा सकते हैं, बल्कि यह भी बताना शुरू कर सकते हैं कि वह प्रोग्राम किस तरह से अपने परिणामों का निर्माण करता है - प्रोग्राम किसमें काम करता है डेटा सेट का मूल्यांकन करने के लिए आता है खास तरीका।
इस बात को ध्यान में रखते हुए, कई मशीन लर्निंग पेशेवर सटीक और याद करने के लिए परीक्षण सेट, प्रशिक्षण सेट या डेटा के बाद के प्रदर्शन सेट से परिणाम के विश्लेषण के बारे में बात कर सकते हैं। एक सरणी या मैट्रिक्स का उपयोग करके इस जानकारी को ऑर्डर करने में मदद मिलेगी और अधिक पारदर्शी तरीके से दिखाया जाएगा कि कार्यक्रम कैसे काम करता है और यह तालिका में क्या परिणाम लाता है।