P:
Zašto je matrica za zbrku korisna u ML-u?
A:Postoji nekoliko načina za razgovor o tome zašto je matrica zbrke vrijedna u strojnom učenju (ML) - ali jedan od najjednostavnijih načina je objasniti da je matrica zbrke izvor vizualizacije podataka.
Matrica zbunjenosti omogućuje gledateljima da na prvi pogled vide rezultate korištenja klasifikatora ili drugog algoritma. Pomoću jednostavne tablice za prikaz analitičkih rezultata, matrica zbrke u osnovi svodi vaše rezultate na pregledniji prikaz.
Matrica zbrke koristi određenu terminologiju za uređenje rezultata. Postoje istinski pozitivni i istinski negativni, kao i lažni pozitivni i lažni negativni. Za složeniju matricu konfuzije ili onu koja se temelji na klasifikaciji usporedbe, ove vrijednosti mogu se pokazati kao stvarne i predviđene klase za dva različita objekta.
Bez obzira na semantičku terminologiju, rezultati su grupirani u kvadratnu (ili pravokutnu) tablicu.
Ovaj pogled analitičarima olakšava uvid u točnost algoritma u razvrstavanju rezultata. (Pročitajte nove generatore koji suvremene algoritme trebaju raditi na ASCII čl.)
Korisnost matrice za zbrku odnosi se na složenost ML projekata, ali i na način oblikovanja i isporuke informacija korisnicima. Zamislite niz linearnih rezultata koji uključuju lažne pozitivne, lažne negativne, stvarne pozitivne i istinske negativnosti. (Pročitajte strojno učenje 101.)
Korisnik bi sve te linearne rezultate morao zbrojiti u grafikon da bi shvatio kako algoritam radi i koliko je točan. Pomoću matrice zbunjenosti ove se informacije jednostavno prikazuju u snažnom vizualnom modelu.
Na primjer, pretpostavimo da se od stroja traži da klasificira 20 slika, od kojih je pet voće i pet povrće. Ako matrica za zbrku sadrži sljedeći sadržaj (odozgo lijevo u smjeru kazaljke na satu): 7, 5, 3, 5, tada se u matrici prikazuje da je sedam pravilno označeno kao povrće, dok je tri ispravno klasificirano kao voće.
Ostalih 10, kako su predstavljeni, rezultati su gdje program nije uspio ispravno identificirati sliku.
Matrica zbrke bit će korisna u svim vrstama analitike ML. Promatrajući ovaj resurs, korisnici mogu shvatiti kako se mogu nositi s problemima poput dimenzionalnosti i prekomjernog uklapanja i drugih načina optimizacije algoritma.
