Accuracy

L'accuratezza funge da parametro fondamentale nella valutazione dei sistemi di intelligenza artificiale, quantificando la percentuale di previsioni corrette che un modello effettua rispetto al numero totale di previsioni. Nel contesto del machine learning e in particolare dell'apprendimento supervisionato, questa metrica fornisce una panoramica ad alto livello di quanto efficacemente un algoritmo si allinei con la ground truth fornita durante il processo di addestramento. Sebbene sia la misura di performance più intuitiva—rispondendo alla semplice domanda: "Quanto spesso il modello ha ragione?"—agisce come indicatore primario dell'affidabilità di un sistema prima che gli sviluppatori approfondiscano metriche più granulari.

Link to this sectionLa sfumatura della valutazione delle performance#

Sebbene l'accuratezza sia un eccellente punto di partenza, è più efficace quando applicata a dati di addestramento bilanciati, dove tutte le classi sono rappresentate equamente. Ad esempio, in un'attività standard di classificazione delle immagini che distingue tra gatti e cani, se il dataset contiene 500 immagini di ciascuno, l'accuratezza è una metrica affidabile. Tuttavia, sorgono sfide con dataset sbilanciati, che portano al "paradosso dell'accuratezza".

Se un modello è addestrato per il rilevamento delle frodi dove solo l'1% delle transazioni è fraudolento, un modello che semplicemente prevede ogni transazione come "legittima" otterrebbe un'accuratezza del 99%, fallendo completamente nel suo compito previsto. Per mitigare questo problema, gli ingegneri utilizzano spesso la Ultralytics Platform per visualizzare la distribuzione del dataset e garantire che i modelli non stiano semplicemente memorizzando la classe di maggioranza.

Link to this sectionDistinguere l'accuratezza dai termini correlati#

Per comprendere appieno le performance del modello, è fondamentale differenziare l'accuratezza da metriche simili:

• Precision: Questa misura la qualità delle previsioni positive. Chiede: "Di tutte le istanze previste come positive, quante erano effettivamente positive?"
• Recall: Nota anche come sensibilità, questa misura la capacità del modello di trovare tutti i casi rilevanti. Chiede: "Di tutte le istanze positive reali, quante ne ha identificate correttamente il modello?"
• F1-Score: Questa è la media armonica di precision e recall, che fornisce un punteggio unico che bilancia le due, utile soprattutto per distribuzioni di classe non uniformi.

Mentre l'accuratezza fornisce una visione globale della correttezza, precision e recall offrono approfondimenti su specifici tipi di errori, come falsi positivi o falsi negativi.

Link to this sectionApplicazioni nel mondo reale#

L'utilità dell'accuratezza si estende a diversi settori, convalidando l'affidabilità della computer vision e dei modelli predittivi in ambienti critici.

• Diagnostica medica: Nel campo dell'analisi delle immagini mediche, i modelli sono utilizzati per classificare radiografie o scansioni MRI. Un modello che classifica le scansioni come "sane" o "patologiche" si affida a un'elevata accuratezza per garantire che i pazienti ricevano diagnosi corrette. Le innovazioni nell'IA nella sanità dipendono fortemente da una validazione rigorosa per ridurre al minimo gli errori automatizzati.
• Controllo qualità nella produzione: I sistemi automatizzati nella smart manufacturing utilizzano l'ispezione visiva per identificare difetti sulle linee di assemblaggio. Un'elevata accuratezza garantisce che vengano spediti solo prodotti privi di difetti, riducendo gli sprechi e i costi di garanzia. Impiegando il rilevamento oggetti per individuare le imperfezioni, le fabbriche mantengono gli standard di produzione automaticamente.

Link to this sectionMisurare l'accuratezza nel codice#

Negli scenari pratici che utilizzano Python, gli sviluppatori possono misurare facilmente l'accuratezza di un modello utilizzando librerie consolidate. Il seguente esempio dimostra come convalidare un modello di classificazione YOLO26 per ottenere la sua accuratezza top-1. L'accuratezza top-1 si riferisce alla frequenza con cui la previsione a probabilità più alta del modello corrisponde all'etichetta corretta.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

Link to this sectionStrategie di miglioramento#

Quando un modello soffre di bassa accuratezza, si possono impiegare diverse tecniche per migliorare le performance. Gli ingegneri utilizzano spesso l'aumento dei dati per incrementare artificialmente la diversità del set di addestramento, impedendo al modello l' overfitting. Inoltre, il tuning degli iperparametri—regolando impostazioni come il learning rate—può avere un impatto significativo sulla convergenza. Per compiti complessi, il transfer learning consente a un modello di sfruttare le conoscenze derivanti da un ampio set di dati pre-addestrato (come ImageNet) per ottenere un'accuratezza superiore su un set di dati più piccolo e specifico.