Q:
لماذا هي مصفوفة الارتباك مفيدة في ML؟
أ:هناك عدة طرق للحديث عن سبب أهمية مصفوفة الارتباك في التعلم الآلي (ML) - ولكن واحدة من أبسط الطرق هي شرح أن مصفوفة الارتباك هي مورد لتصور البيانات.
تتيح مصفوفة الارتباك للمشاهدين رؤية نتائج استخدام المصنف أو خوارزمية أخرى في لمحة. باستخدام جدول بسيط لإظهار النتائج التحليلية ، تتلخص مصفوفة الارتباك بشكل أساسي في مخرجاتك في طريقة عرض أكثر هضمًا.
يستخدم مصفوفة الارتباك مصطلحات محددة لترتيب النتائج. هناك إيجابيات حقيقية وسلبيات حقيقية ، وكذلك إيجابيات كاذبة وسلبيات كاذبة. بالنسبة لمصفوفة الارتباك الأكثر تعقيدًا أو تلك المبنية على تصنيف المقارنة ، قد تظهر هذه القيم على أنها فصول فعلية ومتوقعة لكائنين متميزين.
بغض النظر عن المصطلحات الدلالية ، يتم تجميع النتائج في جدول مربع (أو مستطيل).
يسهل هذا العرض للمحللين رؤية مدى دقة الخوارزمية في تصنيف النتائج. (اقرأ المولدات الجديدة وضعت الخوارزميات الحديثة للعمل على فن ASCII.)
تتعلق فائدة مصفوفة الارتباك بتعقيد مشاريع ML ، وكذلك بالطريقة التي يتم بها تنسيق المعلومات وتسليمها إلى المستخدمين. تخيل سلسلة من النتائج الخطية بما في ذلك الإيجابيات الخاطئة ، السلبيات الخاطئة ، الإيجابيات الحقيقية والسلبيات الحقيقية. (اقرأ آلة التعلم 101.)
سيتعين على المستخدم جدولة جميع هذه النتائج الخطية في رسم بياني لفهم كيفية عمل الخوارزمية ومدى دقة ذلك. مع مصفوفة الارتباك ، يتم تقديم هذه المعلومات ببساطة في نموذج مرئي قوي.
على سبيل المثال ، لنفترض أن الجهاز طلب تصنيف 20 صورة ، منها خمس فواكه وخمس خضروات. إذا كانت مصفوفة الارتباك تحتوي على المحتويات التالية (من أعلى اليسار في اتجاه عقارب الساعة): 7 ، 5 ، 3 ، 5 ، فإن المصفوفة تظهر أنه تم تحديد سبعة بشكل صحيح على أنها خضروات ، بينما تم تصنيف ثلاثة بشكل صحيح على أنها فواكه.
النتائج العشر الأخرى ، كما هي ، هي النتائج التي فشل فيها البرنامج في تحديد الصورة بشكل صحيح.
ستكون مصفوفة الارتباك مفيدة في جميع أنواع تحليلات ML. من خلال مراقبة هذا المورد ، يمكن للمستخدمين معرفة كيفية التعامل مع مشاكل مثل الأبعاد والتركيب ، وطرق أخرى لتحسين الخوارزمية.
