JavaScript для глубокого обучения 2021 TensorFlow js Ббк



Download 30,75 Mb.
Pdf ko'rish
bet112/457
Sana27.03.2022
Hajmi30,75 Mb.
#513488
1   ...   108   109   110   111   112   113   114   115   ...   457
Bog'liq
Цэй Ш., Байлесчи С., и др. - JаvaScript для глубокого обучения (Библиотека программиста) - 2021


Глава 3. Вводим нелинейность: теперь не только взвешенные суммы
127
гативные примеры данных зачастую не распределены равным образом. Нередко 
встречается ситуация, когда количество позитивных примеров данных намного 
меньше, чем негативных (например, большинство ссылок — не фишинговые, 
большинство деталей — не бракованные и т. д.). А если только 5 ссылок из 100 
фишинговые, наша сеть может всегда выдавать, что ссылка не фишинговая, и без­
ошибочность будет равна 95 %! С этой точки зрения безошибочность — очень 
плохая мера качества работы системы. Всегда кажется, что высокая безошибоч­
ность — это хорошо, но часто такой вывод становится преждевременным. Следить 
за показателем безошибочности не помешает, но в качестве функции потерь она 
подходит плохо.
Следующая пара метрик, улавливающих нюансы ошибок, допускаемых моделью: 
точность
(precision) и 
полнота
(recall). В дальнейшем мы будем обсуждать задачи, 
в которых позитивный результат подразумевает последующие действия — подсвет­
ку ссылки, пометку сообщения для дальнейшего просмотра в ручном режиме, в то 
время как негативный результат означает, что ничего не надо делать. Эти метрики 
относятся к различным видам «неправильности» предсказаний нашей модели.
Точность
— отношение количества позитивных предсказаний модели к действи­
тельно позитивным:
точность = #TP / (#TP + #FP)
При значениях, указанных в нашей матрице различий, получается:
точность = 4 / (4 + 1) = 80%
Как и безошибочность, показатель точности можно обмануть. Можно марки­
ровать как позитивные только входные примеры данных лишь с очень большим 
выходным сигналом сигма­функции (скажем, > 0,95 вместо > 0,5 по умолчанию), 
сделав модель очень консервативной. Обычно подобный вариант приводит к росту 
точности, но и к пропуску моделью множества действительно позитивных примеров 
данных (маркированию их как негативных). Эту проблему позволяет решить еще 
одна метрика, часто сопутствующая точности и дополняющая ее, — полнота.
Полнота
— отношение количества действительно позитивных примеров данных 
к количеству примеров, классифицированных моделью как позитивные:
полнота = #TP / (#TP + #FN)
Для нашего примера получаем:
полнота = 4 / (4 + 2) = 66.7%
Сколько же данных набора нашла модель из всех позитивных примеров? Обычно 
принимается осознанное решение повысить частоту ложных срабатываний, чтобы 
снизить вероятность пропустить что­либо. Чтобы обмануть эту метрику, достаточно 
объявить все примеры данных позитивными; поскольку ложнопозитивные при­
меры не включаются в уравнение, получится 100%­ная полнота за счет снижения 
точности.
Как видим, довольно просто создать систему, демонстрирующую отличные ре­
зультаты относительно метрики безошибочности, полноты или точности. На прак­
тике же в задачах бинарной классификации зачастую очень непросто достичь 


128
Download 30,75 Mb.

Do'stlaringiz bilan baham:
1   ...   108   109   110   111   112   113   114   115   ...   457




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish