Accuracy

Độ chính xác (accuracy) đóng vai trò là một chuẩn mực cơ bản trong việc đánh giá các hệ thống trí tuệ nhân tạo, định lượng tỷ lệ phần trăm các dự đoán chính xác mà một model thực hiện so với tổng số dự đoán. Trong bối cảnh của machine learning và cụ thể là supervised learning, số đo này cung cấp một cái nhìn tổng quan ở mức độ cao về mức độ hiệu quả của một thuật toán khi khớp với ground truth được cung cấp trong quá trình huấn luyện. Mặc dù đây là thước đo hiệu suất trực quan nhất—trả lời cho câu hỏi đơn giản "Model đúng bao nhiêu phần trăm?"—nó đóng vai trò là chỉ báo chính về độ tin cậy của hệ thống trước khi các lập trình viên đi sâu vào các số đo chi tiết hơn.

Sự tinh tế trong việc đánh giá hiệu suất#

Mặc dù độ chính xác là một điểm khởi đầu tuyệt vời, nhưng nó hiệu quả nhất khi được áp dụng cho training data cân bằng, nơi tất cả các lớp được đại diện đồng đều. Ví dụ, trong một tác vụ image classification tiêu chuẩn để phân biệt giữa chó và mèo, nếu tập dữ liệu chứa 500 hình ảnh cho mỗi loại, độ chính xác là một số đo đáng tin cậy. Tuy nhiên, các thách thức phát sinh với imbalanced datasets, dẫn đến "nghịch lý độ chính xác" (accuracy paradox).

Nếu một model được huấn luyện cho tác vụ fraud detection nơi chỉ có 1% giao dịch là gian lận, một model chỉ đơn giản dự đoán mọi giao dịch là "hợp pháp" sẽ đạt độ chính xác 99% trong khi hoàn toàn thất bại trong tác vụ dự định của nó. Để giảm thiểu điều này, các kỹ sư thường sử dụng Ultralytics Platform để trực quan hóa phân phối tập dữ liệu và đảm bảo các model không chỉ đơn thuần ghi nhớ lớp chiếm đa số.

Phân biệt độ chính xác với các thuật ngữ liên quan#

Để hiểu đầy đủ về hiệu suất của model, việc phân biệt độ chính xác với các số liệu tương tự là rất quan trọng:

• Precision: Chỉ số này đo lường chất lượng của các dự đoán dương tính. Nó đặt câu hỏi: "Trong số tất cả các trường hợp được dự đoán là dương tính, có bao nhiêu trường hợp thực sự là dương tính?"
• Recall: Còn được gọi là độ nhạy (sensitivity), chỉ số này đo lường khả năng tìm kiếm tất cả các trường hợp liên quan của model. Nó đặt câu hỏi: "Trong số tất cả các trường hợp dương tính thực tế, model đã xác định chính xác bao nhiêu trường hợp?"
• F1-Score: Đây là trung bình điều hòa (harmonic mean) của precision và recall, cung cấp một điểm số duy nhất cân bằng giữa hai yếu tố này, điều này đặc biệt hữu ích cho các phân phối lớp không đồng đều.

Trong khi độ chính xác cung cấp cái nhìn tổng thể về sự đúng đắn, precision và recall cung cấp thông tin chi tiết về các loại lỗi cụ thể, chẳng hạn như dương tính giả hoặc âm tính giả.

Các ứng dụng trong thực tế#

Tính hữu ích của độ chính xác mở rộng trên nhiều ngành công nghiệp khác nhau, xác thực độ tin cậy của computer vision và các predictive models trong các môi trường quan trọng.

• Chẩn đoán y tế: Trong lĩnh vực medical image analysis, các model được sử dụng để phân loại ảnh chụp X-quang hoặc MRI. Một model phân loại các bản chụp là "khỏe mạnh" hoặc "bệnh lý" dựa vào độ chính xác cao để đảm bảo bệnh nhân nhận được chẩn đoán chính xác. Các đổi mới trong AI in healthcare phụ thuộc rất nhiều vào việc xác thực nghiêm ngặt để giảm thiểu lỗi tự động.
• Kiểm soát chất lượng trong sản xuất: Các hệ thống tự động trong smart manufacturing sử dụng kiểm tra trực quan để xác định các khiếm khuyết trên dây chuyền lắp ráp. Độ chính xác cao đảm bảo rằng chỉ các sản phẩm không có lỗi mới được xuất xưởng, làm giảm lãng phí và chi phí bảo hành. Bằng cách áp dụng object detection để phát hiện lỗi, các nhà máy duy trì các tiêu chuẩn sản xuất một cách tự động.

Đo lường độ chính xác trong code#

Trong các kịch bản thực tế sử dụng Python, các lập trình viên có thể dễ dàng đo lường độ chính xác của một model bằng cách sử dụng các thư viện có sẵn. Ví dụ sau đây minh họa cách xác thực một YOLO26 classification model để lấy độ chính xác top-1 của nó. Độ chính xác top-1 đề cập đến tần suất mà dự đoán có xác suất cao nhất của model khớp với nhãn chính xác.

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}")

Các chiến lược để cải thiện#

Khi một model gặp phải tình trạng độ chính xác thấp, một số kỹ thuật có thể được áp dụng để nâng cao hiệu suất. Các kỹ sư thường tận dụng data augmentation để tăng nhân tạo sự đa dạng của tập huấn luyện, ngăn chặn model bị overfitting. Ngoài ra, hyperparameter tuning—điều chỉnh các cài đặt như learning rate—có thể tác động đáng kể đến quá trình hội tụ. Đối với các tác vụ phức tạp, transfer learning cho phép một model tận dụng kiến thức từ một tập dữ liệu lớn đã được huấn luyện trước (như ImageNet) để đạt được độ chính xác cao hơn trên một tập dữ liệu nhỏ hơn, cụ thể hơn.