प्रश्न:
एमएल में एक भ्रम मैट्रिक्स क्यों उपयोगी है?
ए:मशीन लर्निंग (एमएल) में एक भ्रम मैट्रिक्स क्यों मूल्यवान है, इसके बारे में बात करने के कई तरीके हैं - लेकिन सबसे सरल तरीकों में से एक यह समझाने के लिए है कि भ्रम मैट्रिक्स डेटा विज़ुअलाइज़ेशन संसाधन है।
एक भ्रम मैट्रिक्स दर्शकों को एक नज़र में एक क्लासिफायर या अन्य एल्गोरिथ्म का उपयोग करने के परिणामों को देखने की अनुमति देता है। विश्लेषणात्मक परिणामों को दिखाने के लिए एक साधारण तालिका का उपयोग करके, भ्रम मैट्रिक्स अनिवार्य रूप से आपके आउटपुट को अधिक सुपाच्य दृश्य में उबालता है।
भ्रम मैट्रिक्स परिणामों की व्यवस्था करने के लिए विशिष्ट शब्दावली का उपयोग करता है। सच्ची सकारात्मकता और सच्ची नकारात्मकताएँ हैं, साथ ही झूठी सकारात्मकताएँ और झूठी नकारात्मकताएँ भी हैं। तुलनात्मक वर्गीकरण के आधार पर अधिक जटिल भ्रम मैट्रिक्स या एक के लिए, इन मूल्यों को दो अलग-अलग वस्तुओं के लिए वास्तविक और अनुमानित कक्षाओं के रूप में दिखाया जा सकता है।
सिमेंटिक शब्दावली के बावजूद, परिणाम एक वर्ग (या आयताकार) तालिका में वर्गीकृत किए जाते हैं।
यह दृश्य विश्लेषकों के लिए यह देखना आसान बनाता है कि एल्गोरिदम को वर्गीकृत करने के परिणामों में कितना सटीक था। (पढ़ें नए जेनरेटर ASCII कला पर काम करने के लिए आधुनिक एल्गोरिदम रखें।)
भ्रम मैट्रिक्स की उपयोगिता को एमएल परियोजनाओं की जटिलता के साथ करना पड़ता है, और यह भी कि जिस तरह से जानकारी को स्वरूपित किया जाता है और उपयोगकर्ताओं को वितरित किया जाता है। झूठी सकारात्मक, झूठी नकारात्मक, सच्ची सकारात्मकता और सच्चे नकारात्मक सहित रैखिक परिणामों की एक स्ट्रिंग की कल्पना करें। (पढ़ें मशीन सीखना 101.)
एक उपयोगकर्ता को उन सभी रेखीय परिणामों को एक ग्राफ में सारणीबद्ध करना होगा ताकि यह समझने के लिए कि एल्गोरिथम कैसे काम करता है, और यह कितना सही था। भ्रम मैट्रिक्स के साथ, यह जानकारी केवल एक शक्तिशाली दृश्य मॉडल में प्रस्तुत की जाती है।
उदाहरण के लिए, मान लीजिए कि मशीन को 20 छवियों को वर्गीकृत करने के लिए कहा गया है, जिनमें से पाँच फल हैं और पाँच सब्जियाँ हैं। यदि एक भ्रम मैट्रिक्स निम्नलिखित सामग्री रखता है (ऊपर बाईं ओर दक्षिणावर्त): 7, 5, 3, 5, तो मैट्रिक्स दिखा रहा है कि सात को सब्जियों के रूप में सही ढंग से पहचाना गया था, जबकि तीन को फलों के रूप में सही ढंग से वर्गीकृत किया गया था।
अन्य 10, जैसा कि प्रतिनिधित्व किया गया है, ऐसे परिणाम हैं जहां कार्यक्रम छवि को सही ढंग से पहचानने में विफल रहा।
भ्रम मैट्रिक्स सभी प्रकार के एमएल एनालिटिक्स में उपयोगी होगा। इस संसाधन का अवलोकन करके, उपयोगकर्ता यह पता लगा सकते हैं कि आयामीता और ओवरफिटिंग जैसी समस्याओं को कैसे हल किया जाए, और एल्गोरिथ्म को अनुकूलित करने के अन्य तरीके।
