Q:
Hvorfor er en forvirringsmatrise nyttig i ML?
EN:Det er flere måter å snakke om hvorfor en forvirringsmatrise er verdifull i maskinlæring (ML) - men en av de enkleste måtene er å forklare at forvirringsmatrisen er en ressurs for datavisualisering.
En forvirringsmatrise lar seere på et øyeblikk se resultatene av å bruke en klassifiserer eller annen algoritme. Ved å bruke en enkel tabell for å vise analyseresultater, koker forvirringsmatrisen i hovedsak resultatene dine ut til et mer fordøyelig syn.
Forvirringsmatrisen bruker spesifikk terminologi for å ordne resultater. Det er sanne positive og sanne negativer, så vel som falske positive og falske negativer. For en mer komplisert forvirringsmatrise eller en basert på sammenligningsklassifisering, kan disse verdiene vises som faktiske og forutsagte klasser for to forskjellige objekter.
Uavhengig av den semantiske terminologien grupperes resultatene i et kvadratisk (eller rektangulært) bord.
Dette synspunktet gjør det lettere for analytikere å se hvor nøyaktig en algoritme var i klassifiseringen av resultater. (Les nye generatorer sette moderne algoritmer til å arbeide med ASCII Art.)
Bruken av forvirringsmatrisen har å gjøre med kompleksiteten til ML-prosjekter, og også med måten informasjon blir formatert og levert til brukere. Se for deg en streng med lineære resultater inkludert falske positiver, falske negativer, sanne positive og sanne negativer. (Les maskinlæring 101.)
En bruker må tabulere alle disse lineære resultatene i en graf for å forstå hvordan algoritmen fungerte og hvor nøyaktig den var. Med forvirringsmatrisen presenteres denne informasjonen ganske enkelt i en kraftig visuell modell.
Anta for eksempel at maskinen blir bedt om å klassifisere 20 bilder, hvorav fem er frukt og fem er grønnsaker. Hvis en forvirringsmatrise inneholder følgende innhold (fra venstre mot klokken): 7, 5, 3, 5, viser matrisen at syv var riktig identifisert som grønnsaker, mens tre var riktig klassifisert som frukt.
De andre 10, som representert, er resultater der programmet ikke klarte å identifisere bildet riktig.
Forvirringsmatrisen vil være nyttig i alle slags ML-analyser. Ved å observere denne ressursen, kan brukerne finne ut hvordan de kan håndtere problemer som dimensjonalitet og overmasse og andre måter å optimalisere en algoritme på.
