정밀도

정확도는 데이터 과학 및 통계 영역에서 기본적인 지표로, 모델의 긍정적 예측의 정확성을 정량화하여 정확도를 정량화합니다. 머신 러닝(ML)의 맥락에서 머신 러닝(ML)의 맥락에서는 구체적으로 질문에 구체적으로 답합니다: "모델이 양성으로 예측한 모든 사례 중 실제로 양성으로 판정된 사례는 몇 개인가?"라는 질문에 구체적으로 답합니다. 이 측정값은 특히 다음과 같은 시나리오에서 시스템의 신뢰성을 평가하는 데 매우 중요합니다. 오탐 (발생하지 않은 이벤트를 예측하는 것)은 상당한 비용이나 위험을 수반합니다. 양이 아닌 결과의 질에 집중함으로써 결과의 품질에 집중함으로써 개발자는 다음을 보장할 수 있습니다. AI 에이전트가 높은 수준의 확실성을 가지고 행동하도록 보장할 수 있습니다.

AI에서 정밀도의 중요성

정확도의 가치는 잘못된 예측의 결과를 고려할 때 가장 분명해집니다. 정확도가 높은 모델은 높은 정밀도를 가진 모델은 오경보를 거의 생성하지 않으므로, 항목이나 이벤트에 플래그를 지정할 때 운영자가 신뢰할 수 있습니다. 신뢰할 수 있습니다. 이러한 신뢰성은 다음과 같은 경우에 매우 중요합니다. 자동화된 머신 러닝(AutoML) 파이프라인에 필수적입니다. 반대로 정밀도가 낮으면 '경고 피로'가 발생할 수 있습니다. 사용자가 잦은 오류로 인해 시스템의 출력을 무시하기 시작하여 인공지능(AI) 솔루션의 유용성을 약화시키는 인공지능(AI) 솔루션.

실제 애플리케이션

이 지표가 일상 업무에 어떤 영향을 미치는지 이해하려면 다양한 산업에서 이 지표의 역할을 고려하세요:

• 이메일 스팸 필터링: In 자연어 처리(NLP) 작업에서는 스팸 탐지와 같은 작업에서 정확성이 가장 중요합니다. 상사나 고객이 보낸 합법적인 이메일이 스팸으로 잘못 분류되면(오탐) 스팸으로 잘못 분류되면(오탐) 사용자는 중요한 정보를 놓칠 수 있습니다. 따라서 스팸 필터는 높은 정확도를 위해 스팸 필터는 정크 폴더로 전송되는 이메일이 거의 확실하게 실제 정크임을 보장하기 위해 높은 정밀도로 조정됩니다. 자세히 알아보기 표준 NLP 가이드에서 텍스트 분류에 대해 자세히 알아보세요.
• 제조 품질 관리: In 스마트 제조 환경, 컴퓨터 비전 모델은 조립 라인의 결함을 검사합니다. 모델의 정밀도가 낮으면 완벽하게 정상인 제품을 결함. 이는 불필요한 낭비와 생산 비용 증가로 이어져 기능적인 제품을 폐기하거나 재작업으로 이어집니다. 강력한 물체 감지 구현 강력한 물체 감지 구현 구현하면 높은 정밀도를 유지하여 진짜 결함이 있는 품목만 제거할 수 있습니다.
• 소매 손실 방지: 대상 소매업의 AI, 자동화된 시스템은 계산대 키오스크에서 잠재적인 도난을 감지합니다. 정확도가 떨어지는 시스템은 정직한 쇼핑객을 도난범으로 오인하여 불만을 야기하고 고객 경험을 손상시킬 수 있습니다. 높은 정밀도는 보안 담당자에게 도난 가능성이 높은 경우에만 도난 가능성이 높은 경우에만 보안 담당자에게 경고를 보냅니다. 보안 경보 시스템 구현.

정밀도와 관련 개념의 구분

초보자들은 정확도를 다른 성과 지표와 혼동하는 경우가 많습니다. 이러한 용어를 구분하는 것은 적절한 모델 평가 인사이트를 얻는 데 필수적입니다.

• 정확성 대 정밀성: 동안 정확도는 모든 예측의 전반적인 정확도를 측정하지만 예측의 전반적인 정확도를 측정하지만, 불균형한 데이터 집합을 다룰 때는 오해를 불러일으킬 수 있습니다. 불균형한 데이터 세트. 예를 들어 99%의 사례가 부정인 데이터 집합에서 매번 '부정'으로 예측하는 모델은 을 예측하는 모델은 99%의 정확도를 달성하지만 양성 클래스에 대해서는 0%의 정확도를 달성합니다.
• 정확도 대 리콜: 정확도-회상률의 역관계로 알려진 정확도-회상률 트레이드오프. 정확도는 긍정적인 예측의 정확성에 초점을 맞추는 반면, 회상률은 얼마나 많은 예측이 맞는지를 측정합니다, 리콜은 얼마나 많은 실제 긍정적인 사례를 포착했는지 , 즉 실제 긍정적인 사례를 얼마나 많이 포착했는지를 측정합니다. 정확도만을 위해 최적화된 시스템은 실제 긍정적인 사례를 놓칠 수 있습니다. (낮은 정확도)를 놓칠 수 있는 반면, 정확도에 최적화된 시스템은 더 많은 오경보를 생성할 수 있습니다(낮은 정확도).
• F1-점수: 이 두 가지 경쟁 메트릭의 균형을 맞추기 위해 데이터 과학자들은 종종 F1-점수(정확도 평균과 리콜. 이는 모델 성능을 종합적으로 평가할 수 있는 단일 메트릭을 제공합니다. 모델 성능을 종합적으로 평가할 수 있는 단일 지표를 제공합니다.

Ultralytics 정밀도 계산

실제 컴퓨터 비전 워크플로에서 정밀도 측정은 표준 단계로 표준 단계입니다. 다음과 같은 최신 프레임워크는 YOLO11 와 같은 최신 프레임워크는 다음과 같은 다른 메트릭과 함께 정밀도를 자동으로 계산합니다. 평균 평균 정밀도(mAP) 와 같은 다른 메트릭과 함께 정밀도를 자동으로 계산하여 모델이 경계 상자를 얼마나 잘 로컬라이즈하고 분류하는지를 바운딩 박스.

다음 예제는 모델을 검증하고 정밀도 메트릭을 검색하는 방법을 보여줍니다. ultralytics 패키지를 추가합니다. 이 프로세스는 다음을 수행할 때 매우 중요합니다. 하이퍼파라미터 튜닝 를 사용하여 결과를 개선할 수 있습니다.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on the COCO8 dataset
# This calculates Precision, Recall, and mAP based on the validation set
metrics = model.val(data="coco8.yaml")

# Access and print the mean Precision (P) score
print(f"Mean Precision: {metrics.box.mp:.3f}")

이 스니펫에서는 val() 메서드는 데이터 세트 전체에서 추론을 실행하고 예측을 지상 진실를 클릭하고 메트릭을 계산합니다. 그리고 metrics.box.mp 속성은 특히 모든 클래스에 대한 평균 정밀도 점수를 보유하므로 모델의 정확도를 빠르게 모델의 정확도에 대한 스냅샷을 제공합니다.

모델 정밀도 향상

모델이 낮은 정밀도를 보인다면 존재하지 않는 물체를 '환각'하고 있다는 뜻입니다. 이를 해결하기 위해 이를 해결하기 위해 개발자는 신뢰도 임계값을 조정할 수 있습니다, 모델이 매우 확실할 때만 예측을 출력하도록 할 수 있습니다. 또한, 고품질의 훈련 데이터 세트를 큐레이팅하는 것은 "부정적" 예시(대상 개체처럼 보이지만 그렇지 않은 이미지)가 포함된 고품질 학습 데이터세트를 큐레이팅하면 모델이 다음과 같은 방법을 학습하는 데 도움이 될 수 있습니다. 배경 노이즈에서 진정한 양성을 더 효과적으로 구별하는 방법을 학습하는 데 도움이 될 수 있습니다. 다음과 같은 기법 능동적 학습과 같은 기술을 사용하여 반복적으로 현재 오류가 발생하고 있는 샘플에 집중하여 모델을 개선할 수도 있습니다.

정확도와 효율성 측면에서 서로 다른 모델이 어떻게 비교되는지 자세히 알아보려면 다음 다양한 아키텍처에 걸쳐 속도와 정확도에 대한 속도와 정확도에 대한 벤치마크를 제공합니다.