Կեղծ դրական ընդդեմ կեղծ բացասականի

<h2>Ներածություն <p>Ճշգրիտ կանխատեսումների և ոչ ճշգրիտ կանխատեսումների հարաբերակցությունը գծագրված է մատրիցով, որը հայտնի է որպես շփոթության մատրիցա: Սա վերաբերում է իրական բացասականների և ճշմարիտ դրականների (ճիշտ կանխատեսումներ) և կեղծ բացասականների և երկուական դասակարգչի կեղծ դրականների հարաբերակցությանը (սխալ կանխատեսումներ): Տվյալների մաքրումից, նախնական մշակումից և վերլուծությունից հետո առաջին բանը, որ մենք անում ենք, տվյալների մատակարարումն է արդյունավետ մոդելի, որը բնականաբար արդյունք է տալիս հավանականությունների: Սպասիր Բայց ինչպե՞ս ենք մենք գնահատում մեր մոդելի աշխատանքը:

Ավելի բարձր կատարողականություն, ավելի լավ արդյունավետություն. հենց դա է մենք ուզում: Եվ ահա, երբ շփոթության մատրիցը հայտնվում է նկարում: Մեքենայի ուսուցման դասակարգման գործընթացի գնահատումը շփոթության մատրիցն է: Այս հոդվածում կքննարկվեն կեղծ դրական և կեղծ բացասական տարբերությունները:

Շփոթության մատրիցա

Դա մեքենայական ուսուցման օգտագործմամբ դասակարգման խնդրի կատարողականի ցուցիչ է, որի արդյունքը կարող է լինել երկու կամ նույնիսկ ավելի դասեր: Աղյուսակում կան չորս հնարավոր կանխատեսված և իրական արժեքների համակցություններ:

Այն տերմինները, որոնք կապված են շփոթության մատրիցայի հետ, − են

• Իսկական դրական - իրավիճակ, որտեղ և՛ փաստացի, և՛ կանխատեսվող արժեքները դրական են:

• Իսկական բացասական - իրավիճակ, որտեղ և՛ փաստացի, և՛ կանխատեսվող արժեքները բացասական են:

• Կեղծ դրական - իրավիճակ, երբ իրական արժեքը բացասական է, իսկ կանխատեսված արժեքը դրական է:

• Կեղծ բացասական - իրավիճակ, երբ իրական արժեքը դրական է, իսկ կանխատեսված արժեքը բացասական է:

Շփոթության մատրիցայի ձևաչափը հետևյալն է

Տեսնենք օրինակ -

Ենթադրենք, որ մենք ուզում ենք պարզել, թե որքանով է հիվանդի վարակվածության վիճակը կանխատեսելի արյան քաղցկեղի թեստերի միջոցով: Corona թեստն այստեղ օգտագործվում է երկու հնարավոր վիճակները տարբերելու համար՝ վարակված և նորմալ:

• Իսկական դրական - Դասակարգիչը ցույց է տալիս, որ մարդը վարակված է, և քաղցկեղի երկրորդ թեստը հաստատում է այս բացահայտումը: Արդյունքում թեստը ճիշտ էր։

• Կեղծ դրական − Անձի նախնական թեստի արդյունքները դրական են, սակայն հետագա PCR թեստը ցույց է տալիս, որ անհատն իսկապես բացասական է, այլ ոչ թե վարակված:

• Իսկական բացասական - Դասակարգիչը արագ թեստը դասակարգում է որպես բացասական, և անձը իրականում վարակված չէ:

• Կեղծ բացասական − Դասակարգիչը արագ թեստը դասակարգում է որպես դրական, սակայն անձը իրականում վարակված է և առողջ չէ, ուստի թեստը պետք է բացասական լինի:

Կեղծ դրականի և կեղծ բացասականի միջև տարբերությունը

Ստորև բերված են մի քանի հիմնական տարբերություն Կեղծ դրական և կեղծ բացասական - միջև

A condition where the actual value is negative and the predicted value is positive

Պայման, որտեղ իրական արժեքը դրական է, իսկ կանխատեսվող արժեքը` բացասական:</p>

Also known as “Type I error”

Հայտնի է նաև որպես «Տիպի II սխալ»</p>

A binary classification example with two classes, True and False, can allow you to understand this. False positive values are those that have been assumed to belong to the "True" class when, in fact, they do not, but rather to the "False class."

Երկու դասակարգման սցենարը երկու դասերով՝ True և False, կարող է թույլ տալ ձեզ հասկանալ դա: Կեղծ բացասական արժեքներն այն արժեքներն են, որոնք ենթադրվում էր, որ պատկանում են «Կեղծ դասին», մինչդեռ իրականում դրանք պատկանում էին «Ճշմարիտ դասին»:</p>

This shows the frequency with which a classifier predicts desired outcomes incorrectly.

Այս սխալը ցույց է տալիս, թե որքան հաճախ է դասակարգիչը սխալ կանխատեսում անբարենպաստ արդյունքները:</p>

False positive rate, which is also known as fall-out can be defined as the ratio of false positives and sum of false positives and true negatives

Կեղծ բացասականների հարաբերակցությունը կեղծ բացասականների և ճշմարիտ դրականների ընդհանուրին հայտնի է որպես կեղծ բացասական գործակից, որը հաճախ կոչվում է բաց թողնման ցուցանիշ</p>

A non-spam email was incorrectly identified as spam email.

Սպամ նամակը սխալ է ճանաչվել որպես ոչ սպամ: </p>

Եզրակացություն

Այս հոդվածում մենք իմացանք կեղծ դրականի և կեղծ բացասականի միջև եղած տարբերությունները: Այն, թե ինչպես ենք մենք գնահատում մեքենայական ուսուցման մոդելները, կորոշի, թե դրանք հաջողակ են, թե անհաջող: Մոդելի արդյունավետությունը արդարացիորեն գնահատելու համար անհրաժեշտ է մոդելի մանրակրկիտ վերլուծություն:

Մենք ուսումնասիրել ենք, թե ինչպես կարող ենք ստուգել՝ արդյոք մեքենայական ուսուցման դասակարգիչը կամ մոդելը ճիշտ են կանխատեսել արժեքները, թե ոչ, և որքանով է ճշգրիտ մոդելը՝ օգտագործելով շփոթության մատրիցը: Այսպիսով, շփոթության մատրիցը օգնում է դասակարգչի գնահատմանը: Այն պարունակում է չորս դաշտ, որոնք իսկապես դրական են, իսկական բացասական, կեղծ դրական և կեղծ բացասական: