Ich bin auf einige (Journal Learning-Klassifikation Problem) Journal-Papiere über die Genauigkeit mit Top-N-Ansatz erwähnt. Die Daten zeigten, dass Top 1 Genauigkeit = 42,5% und Top-5 Genauigkeit = 72,5% in der gleichen Trainings- und Testbedingung. Ich frage mich, wie man diesen Prozentsatz von Top-1 und Top-5 berechnen?Auswertung & Berechnung Top-N-Genauigkeit: Top 1 und Top 5
Kann mir jemand ein Beispiel und Schritte zeigen, um das zu berechnen?
Dank
Top-1 Genauigkeit ist die herkömmliche Genauigkeit: Das Modell Antwort (die mit höchster Wahrscheinlichkeit) muss genau Antwort die erwartete sein.
Top-5-Genauigkeit bedeutet, dass beliebige Ihres Modells 5 Antworten mit der höchsten Wahrscheinlichkeit müssen die erwartete Antwort entsprechen.
Nehmen wir zum Beispiel an, Sie wenden maschinelles Lernen auf die Objekterkennung mit einem neuronalen Netzwerk an. Ein Bild von einer Katze gezeigt, und diese sind die Ausgänge des neuronalen Netzwerks:
Mit Top-1-Genauigkeit zählen Sie diesen Ausgang als falsch, weil es einen Tiger vorhergesagt hat.
Mit top-5 Genauigkeit, zählen Sie diese Ausgabe als richtig, weil Katze unter den Top-5-Schätzungen ist.
Vielen Dank! Das ist eine gute Erklärung und ein gutes Beispiel. –
Danke für diese Antwort. Ist Top-5 Ihrer Meinung nach wirklich eine gute Metrik, oder ist es eine Möglichkeit, die wahren Fähigkeiten eines neuronalen Netzwerks zu übertreiben? Wenn ich blind wäre und jemanden bitten würde, mir zu sagen, welches Tier vor mir steht, würde ich eher "Es ist eine Katze" erwarten als "Es ist entweder ein Tiger, ein Hund, eine Katze, ein Luchs oder ein Löwe". –
Werfen Sie einen Blick auf Ihre Frage aus der Perspektive eines Gelegenheitslesers. Denken Sie, dass es möglich ist, es zu beantworten? Hier ist, wie ich es gelesen habe: 'Ich lese X, was von Y erzählt. Es zeigt, dass a = 5 und b = 14. Wie machen sie das? Gimme Codez'. Ich bin mir sicher, dass meine Frage nicht beantwortet werden kann. Denkst du, dein ist? –
@SalvadorDali überprüfen Sie unten Antwort von "rcpinto". Vielleicht kann man da auch etwas verstehen. Danke für Ihre Antwort, ich werde meine Frage beim nächsten Mal klar stellen. –