Sekaannusmatriisit ja virheanalyysi
Selvittäkää, missä malli epäonnistuu
Sekaannusmatriisit ja virheanalyysi on ilmainen Deep Learning Academy-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Deep Learning Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Deep Learning Academy-kurssilla on yhteensä 4 oppituntia.
Näe jokainen virhe
Sekaannusmatriisi esittää ennustetut ja todelliset luokat ruudukkona. Yhdellä silmäyksellä näette tarkalleen, missä mallinne tekee virheitä.
Rivit ja sarakkeet
Riveillä ovat todelliset luokat ja sarakkeissa ennustetut luokat. Diagonaalilla ovat oikeat ennusteet; kaikki sen ulkopuolella olevat ovat virheitä.
Muodosta yhdellä kutsulla
Scikit-learn muuntaa tunnisteet ja ennusteet ruudukoksi välittömästi, joten voitte tarkastella lukumääriä heti.
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_true, y_pred)Diagonaali on ystävänne
Hyvä malli keskittää lukumäärät diagonaalille. Suuret diagonaalin ulkopuoliset solut paljastavat luokkia, jotka malli sekoittaa jatkuvasti keskenään.
Tunnista sekoittuvat parit
Jos monet kissat luokitellaan koiriksi, yksi kirkas diagonaalin ulkopuolinen solu osoittaa suoraan systemaattiseen heikkouteen.
Normalisoi vertailua varten
Raakamäärät johtavat harhaan, kun luokkien koot poikkeavat toisistaan. Normalisoikaa jokainen rivi, jotta voitte verrata luokkakohtaisia virhetasoja tasapuolisesti.
cm_norm = cm / cm.sum(axis=1, keepdims=True)Ruudukon tuolle puolen: tarkastele esimerkkejä
Luvut kertovat missä, eivät miksi. Virheanalyysi tarkoittaa väärin luokiteltujen näytteiden avaamista todellisen syyn ymmärtämiseksi.
Ryhmittele epäonnistumiset
Lajitelkaa virheet ryhmiin, kuten sumeisiin kuviin tai harvinaisiin ilmauksiin. Näiden ryhmien kaavat ehdottavat konkreettisia korjauksia.
Label noise piilee täällä
Jotkin virheet johtuvatkin aineiston vääristä tunnisteista, eivät mallin puutteista. Virheanalyysi tuo nämä esiin, jotta voitte korjata aineiston.
Virheistä toimintaan
Jokainen virhekaava johtaa omaan ratkaisuunsa: lisää dataa, parempia piirteitä tai ongelmallisen luokan kynnysarvon säätämistä.
Tapa, ei yksittäinen toimenpide
Toistakaa virheanalyysi jokaisen muutoksen jälkeen. Tämä tasainen kierros muuttaa epämääräisen epäonnistumisen selkeäksi ja priorisoiduksi tehtävälistaksi. 🔁
Pikatarkistus
Palauttakaa mieleen, mitä sekaannusmatriisin diagonaali edustaa.
Kertaus
Sekaannusmatriisi näyttää, mihin virheet sijoittuvat, ja käytännön virheanalyysi selittää miksi. Yhdessä ne muuttavat epäonnistumiset korjauksiksi. 🎯
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Sekaannusmatriisit ja virheanalyysi” ilmainen?
Kyllä – oppitunnin ”Sekaannusmatriisit ja virheanalyysi” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Deep Learning Academy-kurssin, päivitä CoddyKit PROhon. Deep Learning Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Sekaannusmatriisit ja virheanalyysi”?
Selvittäkää, missä malli epäonnistuu Harjoittelet Deep Learning Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Deep Learning Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Deep Learning Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.
Kuinka kauan ”Sekaannusmatriisit ja virheanalyysi”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Deep Learning Academy-oppitunnilla?
Kyllä. Jokainen Deep Learning Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Precision, Recall, F1 ja ROC-AUC
- Sekaannusmatriisit ja virheanalyysi
- Grad-CAM: nähkää, mihin malli katsoo
- Kalibroikaa luottamus