1. 序章
機械学習では、モデルの精度を測定することがよくありますが、正しく測定していますか？
このチュートリアルでは、Top-1AccuracyとTop-NAccuracyの違いと、それらが重要である理由について説明します。
2. トップ1の精度
動物の画像を分類しようとするモデルがあるとしましょう。 モデルに猫の画像を表示するとします。 Top-1 Accuracyを使用して、この測定は、最も可能性の高い予測が猫である場合にのみ、予測が正しいと見なします。
この例をいくつかの予測に拡張してみましょう。
この例では、モデルは60％の精度で3/5の画像を正しく予測しました。 ご覧のとおり、Top-1 Accuracyは、精度について話すときに一般的に参照するものです。
3. トップNの精度
Top-N Accuracyは、より高い確率でモデル予測を行います。 それらの1つが真のラベルである場合、予測は正しいものとして分類されます。 Top-1 Accuracyは特殊なケースであり、最も高い確率の予測のみが考慮されます。
トップ3の精度を想定して、前と同じ例を使用してみましょう。
ここで、最も可能性の高い3つの予測を使用すると、モデルが4/5の画像を正しく予測し、トップ3の精度が80％であることがわかります。
、Top-N Accuracy Top-KAccuracyがあることに注意してください。 つまり、が高くなると、Top-N精度が高くなるか、同じままになる可能性があります。 これにより、モデルがどのように機能するかについての洞察を得ることができます。 たとえば、Top-1の精度が非常に低い場合、モデルはデータセットについてあまり知らないと思うかもしれません。 ただし、精度が大幅に向上した場合は、実際には学習中ですが、微調整が不足していることがわかります。 これは、クラスの数が多い分類の問題に特に役立ちます。 問題によっては、このメトリックがモデルの測定に適している場合があります。 たとえば、レコメンデーションシステムの場合。 ビデオ、音楽、オンラインショップのいずれの場合でも、私たちは斬新さと多様性を大切にしています。 私たちはクライアントとして、新しく多様なビデオ、音楽、または製品を探しています。 したがって、最も関連性の高い推奨事項を見つけることを目的とはしていませんが、一連の興味深い推奨事項を見つけることを目的としています。 一連の興味深い予測の中で最良の予測を行う方が興味深い場合があります。 ただ1つの良い予測ではなく。
4. 結論
モデルがどれだけ優れているかを測定するには、いくつかの異なる方法があります。 与えられた問題に最も適切なものを見つけることは本当に重要です。 この記事では、Top-NAccuracyを特定の問題に使用する方法を示しました。 また、Top-1AccuracyとTop-NAccuracyの違いと、それらを使用してモデルをよりよく理解する方法も確認しました。
