ทำความเข้าใจเกี่ยวกับการแบ่งแยกในการเรียนรู้ของเครื่อง
การแบ่งแยกคือการวัดว่าโมเดลการเรียนรู้ของเครื่องสามารถแยกแยะระหว่างคลาสหรือกลุ่มต่างๆ ได้ดีเพียงใด เป็นวิธีประเมินประสิทธิภาพของแบบจำลองในแง่ของความสามารถในการจำแนกอินสแตนซ์ตามหมวดหมู่ที่เกี่ยวข้องได้อย่างถูกต้อง
มีหลายวิธีในการวัดการแบ่งแยก แต่แนวทางหนึ่งที่ใช้กันโดยทั่วไปคือการใช้เส้นโค้งลักษณะการทำงานของตัวรับ (ROC) เส้นโค้ง ROC พล็อตอัตราบวกที่แท้จริง (สัดส่วนของอินสแตนซ์เชิงบวกที่ระบุอย่างถูกต้อง) เทียบกับอัตราบวกลวง (สัดส่วนของอินสแตนซ์เชิงลบที่ถูกจัดประเภทไม่ถูกต้องเป็นบวก) สำหรับเกณฑ์ที่แตกต่างกัน พื้นที่ใต้เส้นโค้ง ROC (AUC-ROC) เป็นตัววัดความสามารถในการแยกแยะโดยทั่วไป โดยค่าที่สูงกว่าบ่งบอกถึงประสิทธิภาพที่ดีขึ้น
อีกวิธีหนึ่งในการวัดความสามารถในการแยกแยะคือการใช้เมทริกซ์ความสับสน ซึ่งให้การแสดงภาพประสิทธิภาพของแบบจำลอง เมทริกซ์ความสับสนแสดงจำนวนผลบวกจริง ผลบวกลวง ผลลบจริง และผลลบลวงสำหรับแต่ละคลาสหรือกลุ่ม จากเมทริกซ์นี้ เราสามารถคำนวณหน่วยวัดต่างๆ เช่น ความแม่นยำ ความแม่นยำ การเรียกคืน และคะแนน F1 ซึ่งสามารถช่วยให้เราประเมินประสิทธิภาพของแบบจำลองได้ การแบ่งแยกคือการพิจารณาที่สำคัญในการเรียนรู้ของเครื่อง เนื่องจากเป็นตัวกำหนดประโยชน์ของแบบจำลองในแอปพลิเคชันในโลกแห่งความเป็นจริง . หากแบบจำลองไม่เลือกปฏิบัติเพียงพอ ก็อาจไม่สามารถแยกแยะความแตกต่างระหว่างคลาสหรือกลุ่มต่างๆ ได้อย่างแม่นยำ นำไปสู่ประสิทธิภาพที่ไม่ดีหรือการคาดการณ์ที่ไม่ถูกต้อง ในทางกลับกัน โมเดลที่เลือกปฏิบัติสูงอาจสามารถจำแนกอินสแตนซ์ได้อย่างถูกต้องด้วยความแม่นยำสูง แต่ก็อาจมีความละเอียดอ่อนมากเกินไป และมีแนวโน้มที่จะเกิดผลบวกลวงหรือผลลบลวง เป้าหมายของแมชชีนเลิร์นนิงมักเป็นการค้นหาสมดุลระหว่างความสุดขั้วทั้งสองนี้ โดยที่โมเดลมีทั้งความแม่นยำและทนทาน
ฉันชอบวิดีโอนี้
ฉันไม่ชอบวิดีโอนี้
รายงานข้อผิดพลาดของเนื้อหา
share
