П:
Зашто је матрица за збрку корисна у МЛ?
А:Постоји неколико начина да се разговара о томе зашто је матрица збрке вредна у машинском учењу (МЛ) - али један од најједноставнијих начина је објаснити да је матрица конфузије ресурс за визуализацију података.
Матрица збрке омогућава гледаоцима да на први поглед виде резултате употребе класификатора или другог алгоритма. Користећи једноставну табелу за приказивање аналитичких резултата, матрица збрке у основи своди ваше резултате у прегледнији приказ.
Матрица збрке користи одређену терминологију за уређивање резултата. Постоје истински позитивни и истински негативни, као и лажни позитивни и лажни негативни. За сложенију матрицу конфузије или ону засновану на упоредној класификацији, ове вредности могу се приказати као стварне и предвиђене класе за два различита објекта.
Без обзира на семантичку терминологију, резултати су груписани у квадратну (или правоугаону) табелу.
Овај приказ олакшава аналитичарима да виде колико је тачан алгоритам био у класификацији резултата. (Прочитајте нове генераторе који модерним алгоритмима раде на АСЦИИ чл.)
Корисност матрице за збрку има везе са сложеношћу МЛ пројеката, као и начином на који се информације форматирају и испоручују корисницима. Замислите низ линеарних резултата који укључују лажне позитивне, лажне негативне, истинске позитивне и истинске негативности. (Прочитајте машинско учење 101.)
Корисник би морао све те линеарне резултате табеларно приказати у графикону да би разумео како алгоритам ради и колико је тачан. Помоћу матрице за збрку ове информације су једноставно представљене у моћном визуелном моделу.
На пример, претпоставимо да се од машине тражи да класификује 20 слика, од којих је пет воће и пет поврће. Ако матрица за збрку садржи следећи садржај (одозго лево у смеру казаљке на сату): 7, 5, 3, 5, тада се у матрици приказује да је седам тачно идентификовано као поврће, док је три тачно класификовано као воће.
Осталих 10, како је представљено, резултати су где програм није успео да правилно идентификује слику.
Матрица збрке биће корисна у свим врстама МЛ аналитике. Посматрајући овај ресурс, корисници могу схватити како да се изборе са проблемима попут димензионалности и прекомерног намештања и другим начинима за оптимизацију алгоритма.
