Accuracy

L'accuratezza è un parametro fondamentale nella valutazione dei sistemi di intelligenza artificiale e quantifica la percentuale di previsioni corrette effettuate da un modello rispetto al numero totale di previsioni. Nel contesto del machine learning e, in particolare, dell'apprendimento supervisionato, questa metrica offre una panoramica generale dell'efficacia con cui un algoritmo si allinea alla verità di riferimento fornita durante il processo di addestramento. Sebbene sia la misura delle prestazioni più intuitiva — risponde alla semplice domanda «Con quale frequenza il modello ha ragione?» — funge da indicatore primario dell'affidabilità di un sistema prima che gli sviluppatori esaminino metriche più granulari.

Le sfumature della valutazione delle prestazioni#

Sebbene l'accuratezza sia un ottimo punto di partenza, è più efficace quando viene applicata a dati di addestramento bilanciati, in cui tutte le classi sono rappresentate in modo uniforme. Ad esempio, in una normale attività 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, con i dataset sbilanciati emergono delle difficoltà, che portano al cosiddetto «paradosso dell'accuratezza».

Se un modello viene addestrato per il rilevamento delle frodi, in cui solo l'1% delle transazioni è fraudolento, un modello che prevede semplicemente ogni transazione come «legittima» raggiungerebbe un'accuratezza del 99%, fallendo completamente nel compito per cui è stato progettato. Per mitigare questo problema, gli ingegneri utilizzano spesso la Ultralytics Platform per visualizzare la distribuzione del dataset e assicurarsi che i modelli non stiano semplicemente memorizzando la classe maggioritaria.

Distinguere l'accuratezza dai termini correlati#

Per comprendere appieno le prestazioni di un modello, è fondamentale distinguere l'accuratezza da metriche simili:

• Precisione: misura la qualità delle previsioni positive. Risponde alla domanda: «Di tutte le istanze previste come positive, quante erano effettivamente positive?»
• Recall: noto anche come sensibilità, misura la capacità del modello di trovare tutti i casi rilevanti. Risponde alla domanda: «Di tutte le istanze effettivamente positive, quante ne ha identificato correttamente il modello?»
• Punteggio F1: è la media armonica di precisione e recall e fornisce un singolo punteggio che bilancia le due metriche, risultando particolarmente utile per distribuzioni non uniformi delle classi.

Mentre l'accuratezza offre una visione globale della correttezza, precisione e recall forniscono informazioni su tipi specifici di errori, come i falsi positivi o i falsi negativi.

Applicazioni 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 vengono utilizzati per classificare radiografie o scansioni MRI. Un modello che classifica le scansioni come «sane» o «patologiche» si basa su un'elevata accuratezza per garantire che i pazienti ricevano diagnosi corrette. Le innovazioni nell'AI nel settore sanitario dipendono fortemente da una validazione rigorosa per ridurre al minimo gli errori automatizzati.
• Controllo qualità nella produzione: i sistemi automatizzati nella produzione intelligente utilizzano l'ispezione visiva per identificare i 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. Utilizzando il rilevamento degli oggetti per individuare i difetti, gli stabilimenti mantengono automaticamente gli standard di produzione.

Misurare l'accuratezza nel codice#

Negli scenari pratici che utilizzano Python, gli sviluppatori possono misurare facilmente l'accuratezza di un modello usando librerie consolidate. L'esempio seguente mostra come convalidare un modello di classificazione YOLO26 per ottenere la sua accuratezza top-1. L'accuratezza top-1 indica la frequenza con cui la previsione con la 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}")

Strategie di miglioramento#

Quando un modello presenta una bassa accuratezza, è possibile impiegare diverse tecniche per migliorarne le prestazioni. Gli ingegneri utilizzano spesso l'aumento dei dati per incrementare artificialmente la diversità del set di addestramento, impedendo al modello di incorrere nell'overfitting. Inoltre, il tuning degli iperparametri — ad esempio la regolazione dell'learning rate — può influire significativamente sulla convergenza. Per le attività complesse, il transfer learning consente a un modello di sfruttare le conoscenze acquisite da un dataset ampio e pre-addestrato, come ImageNet, per ottenere una maggiore accuratezza su un dataset più piccolo e specifico.