정확도

정확도는 분류 모델의 성능을 평가하는 가장 기본적인 지표 중 하나입니다. 정확도 은 처리된 총 예측 수 중 시스템이 올바르게 예측한 비율을 나타냅니다. 더 넓은 의미의 머신 러닝(ML)에서 정확도는 종종 개발자들이 개발자가 모델이 효과적으로 학습하고 있는지 아니면 단순히 추측하고 있는지를 측정하기 위해 가장 먼저 검토하는 수치입니다. 정확도는 효과에 대한 빠른 스냅샷을 제공하지만, 다른 평가 지표와 함께 자주 사용됩니다. 평가 지표와 함께 자주 사용됩니다. 특히 복잡한 데이터 세트에서 클래스를 구분할 때 모델 동작에 대한 포괄적인 이해를 보장하기 위해 다른 평가 지표와 함께 자주 사용됩니다.

관련성 및 계산

정확도 계산이 간단해 데이터 과학자부터 비즈니스 경영진에 이르기까지 다양한 이해관계자가 쉽게 접근할 수 있습니다. 과학자부터 비즈니스 경영진에 이르기까지 다양한 이해관계자가 쉽게 접근할 수 있습니다. 정확도는 수학적으로 거짓 긍정과 거짓 부정의 수로 정의됩니다. 를 총 사례 수로 나눈 값입니다. 지도 학습 작업의 경우 지도 학습 작업의 경우, 이 메트릭 은 알고리즘이 학습 데이터에 제공된 기준 진실과 얼마나 자주 일치하는지를 나타냅니다. 학습 데이터에 얼마나 자주 일치하는지를 나타냅니다. 그러나 높은 정확도가 항상 완벽한 모델을 의미하는 것은 아니며, 신뢰성은 기초 데이터의 분포에 따라 크게 달라집니다.

실제 애플리케이션

정확성은 자동화된 의사 결정이 인간 전문가를 보조하는 다양한 산업 분야에서 중추적인 역할을 합니다.

• 의료 진단: 의료 영상 분석 분야에서 의료 이미지 분석 분야에서 정확도는 종양이나 골절과 같은 상태를 식별하는 데 매우 중요합니다. 정확도가 높은 모델은 오진 가능성을 줄여주며 오진 가능성을 줄여 영상의학과 전문의에게 신뢰할 수 있는 2차 소견으로 작용합니다. 예를 들어 의료 분야의 AI는 정확한 정확한 분류를 통해 환자를 효과적으로 분류하여 위중한 상태의 환자가 즉각적인 치료를 받을 수 있도록 합니다.
• 자동화된 제조: 내 스마트 제조 환경, 시각 검사 시스템은 컴퓨터 비전을 활용하여 조립 라인에서 제품 결함을 detect . 높은 정확도를 갖춘 시스템은 결함이 있는 품목은 제거하면서 유효한 제품을 포장하여 공급망 효율성과 폐기물 감소에 직접적인 영향을 미칩니다.

Ultralytics 정확도 측정

를 사용하여 모델을 개발할 때 ultralytics 패키지에서 정확도 평가는 워크플로우의 표준 부분입니다. 유효성 검사 워크플로우의 표준 부분입니다. 다음 예는 패키지를 로드하는 방법을 보여줍니다. YOLO11 분류 모델을 확인하고 유효성을 검사하여 정확도 메트릭을 검색합니다.

from ultralytics import YOLO

# Load a pretrained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Validate the model on the MNIST160 dataset
# The function returns a metrics object containing top1 and top5 accuracy
metrics = model.val(data="mnist160")

# Display the Top-1 accuracy (percentage of times the top prediction was correct)
print(f"Top-1 Accuracy: {metrics.top1:.2f}")

한계와 정확도의 역설

직관적이기는 하지만, 불균형한 데이터 세트를 다룰 때는 불균형한 데이터 집합을 다룰 때는 정확도가 오도될 수 있습니다. 이러한 현상을 정확도의 역설이라고 합니다. 예를 들어, 거래의 1%만이 사기인 사기 탐지 시나리오에서 거래가 사기인 경우, 모든 거래에 대해 단순히 "합법적인" 거래를 예측하는 모델은 99%의 정확도를 달성할 수 있습니다. 하지만 사기 탐지라는 기본 임무에는 완전히 실패할 것입니다. 이러한 경우 모델은 은 높은 정확도를 보이지만 소수 계층에 대한 예측력은 0입니다.

이를 해결하기 위해 실무자들은 데이터 보강을 통해 클래스의 균형을 맞추거나 오류의 유형을 분석하는 다양한 메트릭을 살펴봅니다.

관련 개념 차별화

모델 성능을 완전히 이해하려면 정확도를 관련 용어와 구분해야 합니다:

• 정밀도: 이것은 긍정적인 예측의 품질 품질을 측정합니다. 정확도와 달리 정밀도는 정확한 부정 예측은 무시하고 실제로 얼마나 많은 얼마나 많은 사례가 실제로 양성인지에 초점을 맞춥니다. 오경보(오탐)로 인한 비용이 클 때 매우 중요합니다.
• 리콜: 민감도라고도 하는 리콜 은 모델이 찾아낸 양성 사례의 수를 측정합니다. 양성 사례를 놓치는 경우 높은 회수율이 필요합니다. 사례(위음성)를 놓치는 것은 위험합니다.
• F1-점수: 이것은 정확도와 회수율의 조화 평균입니다. 균형 잡힌 보기를 제공하며, 정확도가 왜곡될 수 있는 고르지 않은 데이터의 모델을 비교해야 할 때 특히 유용합니다. 분포에서 모델을 비교해야 할 때 특히 유용합니다.
• 평균 평균 정확도(mAP): 정확도는 일반적으로 분류에 적용되지만, mAP 다음과 같은 표준 지표입니다. 객체 감지의 표준 지표입니다. 이는 정확한 분류와 정확한 분류와 경계 상자의 바운딩 박스.

모델 정확도 향상

정확도를 높이려면 반복적인 실험 과정을 거쳐야 합니다. 개발자는 종종 학습을 조정하기 위한 하이퍼파라미터 튜닝 속도와 배치 크기를 조정하기 위해 하이퍼파라미터 튜닝을 활용하기도 합니다. 또한 다음과 같은 고급 아키텍처를 사용하기도 합니다. 트랜스포머 또는 최신 버전의 Ultralytics YOLO 를 사용하면 상당한 이득을 얻을 수 있습니다. 마지막으로, 능동 학습을 통해 학습 데이터 세트가 깨끗하고 다양한지 확인하면 능동적 학습을 통해 모델이 보이지 않는 실제 데이터로 일반화하는 데 도움이 됩니다.