Q:
Kodėl painiavos matrica naudinga ML?
A:Yra daug būdų, kaip kalbėti apie tai, kodėl painiavos matrica yra vertinga mokantis kompiuteriu (ML) - tačiau vienas iš paprasčiausių būdų yra paaiškinti, kad painiavos matrica yra duomenų vizualizacijos šaltinis.
Painiojimo matrica leidžia žiūrovams iš pirmo žvilgsnio pamatyti klasifikatoriaus ar kito algoritmo naudojimo rezultatus. Analizės rezultatams parodyti naudodamas paprastą lentelę, painiavos matrica iš esmės sufleruoja jūsų išvestis į labiau suvirškinamą vaizdą.
Painiojimo matrica naudoja specialią terminologiją rezultatams išdėstyti. Yra tikri teigiami ir tikri negatyvai, taip pat klaidingi teigiami ir melagingi negatyvai. Sudėtingesnei painiavos matricai arba palyginimo klasifikacija pagrįstajai matricai šios vertės gali būti parodytos kaip faktinės ir numatomos dviejų atskirų objektų klasės.
Nepaisant semantinės terminijos, rezultatai yra suskirstyti į kvadratinę (arba stačiakampę) lentelę.
Šis vaizdas leidžia analitikams lengviau pamatyti, kaip tiksliai algoritmas klasifikavo rezultatus. (Perskaitykite Nauji generatoriai pateikia šiuolaikinius algoritmus darbui su ASCII straipsniu.)
Painiojimo matricos naudingumas susijęs su ML projektų sudėtingumu, taip pat su tuo, kaip formatuojama ir perduodama informacija vartotojams. Įsivaizduokite tiesinių rezultatų seką, įskaitant klaidingus teigiamus, klaidingus negatyvus, tikrus teigiamus ir tikrus negatyvus. (Perskaitykite mašinų mokymąsi 101.)
Vartotojas turėtų visus tuos linijinius rezultatus suskirstyti į schemą, kad suprastų, kaip algoritmas veikė ir koks tikslus buvo. Su painiavos matrica ši informacija tiesiog pateikiama galingame vizualiniame modelyje.
Pvz., Tarkime, mašina yra paprašyta klasifikuoti 20 vaizdų, iš kurių penki yra vaisiai, o penki - daržovės. Jei painiavos matricoje yra toks turinys (iš kairės viršaus pagal laikrodžio rodyklę): 7, 5, 3, 5, tada matrica rodo, kad septynios buvo teisingai identifikuotos kaip daržovės, o trys buvo teisingai klasifikuojamos kaip vaisiai.
Kiti 10, kaip pavaizduoti, yra rezultatai, kai programa nesugebėjo tinkamai nustatyti vaizdo.
Painiojimo matrica bus naudinga atliekant visų rūšių ML analizę. Stebėdami šį šaltinį, vartotojai gali išsiaiškinti, kaip spręsti tokias problemas, kaip matmenys ir perteklinis pritaikymas, ir kitus būdus, kaip optimizuoti algoritmą.
