큐:
ML에서 혼동 행렬이 유용한 이유는 무엇입니까?
ㅏ:머신 러닝 (ML)에서 혼동 행렬이 왜 유용한 지에 대해 여러 가지 방법으로 이야기 할 수 있지만 가장 간단한 방법 중 하나는 혼동 행렬이 데이터 시각화 리소스임을 설명하는 것입니다.
혼동 행렬을 통해 시청자는 분류기 또는 기타 알고리즘을 사용한 결과를 한눈에 볼 수 있습니다. 간단한 표를 사용하여 분석 결과를 표시함으로써 혼동 행렬은 기본적으로 출력을보다 소화 가능한보기로 정리합니다.
혼동 행렬은 특정 용어를 사용하여 결과를 정렬합니다. 거짓 긍정과 거짓 부정뿐만 아니라 참 긍정과 참 부정이 있습니다. 보다 복잡한 혼동 행렬 또는 비교 분류를 기반으로하는 하나의 경우, 이 값은 두 개의 별개의 객체에 대한 실제 및 예측 클래스로 표시 될 수 있습니다.
시맨틱 용어에 관계없이 결과는 정사각형 (또는 직사각형) 테이블로 그룹화됩니다.
이 뷰를 통해 분석가는 알고리즘이 결과를 얼마나 정확하게 분류했는지 알 수 있습니다. (ASCII Art에서 작동하는 최신 알고리즘을 사용하는 새로운 생성기 읽기
혼동 매트릭스의 유용성은 ML 프로젝트의 복잡성과 정보가 형식화되어 사용자에게 전달되는 방식과 관련이 있습니다. 가양 성, 가 음성, 진 양성 및 진 음성을 포함한 일련의 선형 결과를 상상해보십시오. (기계 학습 101을 읽으십시오.)
사용자는 알고리즘의 작동 방식과 정확도를 이해하기 위해 모든 선형 결과를 그래프로 도표화해야합니다. 혼동 매트릭스를 사용하면이 정보가 강력한 시각적 모델로 표시됩니다.
예를 들어, 기계가 20 개의 이미지를 분류하도록 요청 받았는데, 그 중 5 개는 과일이고 5 개는 야채입니다. 혼동 행렬에 다음과 같은 내용이있을 경우 (왼쪽 위에서 시계 방향으로 7, 7, 5, 3, 5), 행렬은 7 개가 야채로 올바르게 식별되었고 3 개가 과일로 올바르게 분류되었음을 나타냅니다.
나타낸 바와 같이, 다른 10은 프로그램이 이미지를 정확하게 식별하지 못한 결과이다.
혼란 매트릭스는 모든 종류의 ML 분석에 유용합니다. 이 리소스를 관찰하면 차원 및 과적 합과 같은 문제를 처리하는 방법과 알고리즘을 최적화하는 다른 방법을 파악할 수 있습니다.
