今天開始繼續學習:
不知不覺也漸漸習慣每天上coursera看個課程,然後把心得與學到的概念打在這邊的日常生活.講實在前一個禮拜真的是滿痛苦的,感覺自己都在趕心得,但是也覺得這樣不太行,好像變成一種為寫而寫的態度,因此調整自己,漸漸的開始習慣然後去思考,把自己真的學習到的東西打上來,或許不是很詳盡,很完整,但這些都是我腦中經過學習淬鍊幫助自己回頭的一小步.
給自己加油!

今天是Module2 的最後一part.
首先接續昨天的performance matrix: confusion matrix是其中一種performance matrix, 它的優點: 易懂, 跟任務目的相關聯, 避免昨天談到的狀況(loss 很小, model performance 卻不好.), 對我來說confusion matrix 像是一種分析的工具, 跟統計相關,
那究竟甚麼是 confusion matrix? 這章我想用圖片來表達, 單單使用文字我想我回頭看也會混亂. 以下取自google study jam 在 coursera上的課程:

在confusion matrix的橫軸是model預測的結果, 縱軸是label的答案(也就是真正正確的解答), 因此:
左上角這格TP(true positive)代表的是正確解答且model也預測正確.
右上角這格代表的是FN(false negative),指他是正確解答但是model預測錯誤.
左下角這格FP(false positive)代表的是他是錯誤解答但是model預測它是正確.
右下角就是TN(true negative)代表他是錯誤解答且model也預測它是錯誤的.

所以precision 就是指 TP/TP+FP
也就是說model預測True的結果中,真正true的機率是多少.

Recall 指的是 TP/TP+FN
在model預測的'所有'結果中, 真正是ture的機率

所以使用confusion matrix就可以避免之前的狀況,不會再有model亂猜但是正確率卻很高的情形,因為你可以直接從precision 和recall得知訓練model成果的好壞.

以下是舉一個例子: 辨識貓咪,你可以試著算看看confusion matrix

以上就是今天的分享.