Scopri l'importanza dell'accuratezza nell'apprendimento automatico, il suo calcolo, i limiti con i set di dati sbilanciati e i modi per migliorare le prestazioni dei modelli.
L'accuratezza è una metrica di performance fondamentale nell'apprendimento automatico (ML), in particolare per i compiti di classificazione. Misura la percentuale di previsioni totali che un modello ha identificato correttamente. In parole povere, risponde alla domanda: "Di tutte le previsioni fatte, quante sono state effettivamente corrette?". Fornisce una panoramica semplice e di alto livello delle prestazioni complessive di un modello su un determinato set di dati.
L'accuratezza viene calcolata dividendo il numero di previsioni corrette (sia i veri positivi che i veri negativi) per il numero totale di previsioni effettuate. Per quanto intuitiva, la sola accuratezza può talvolta essere fuorviante, soprattutto quando si ha a che fare con insiemi di dati sbilanciati, ovvero situazioni in cui una classe è significativamente superiore alle altre. Ad esempio, se un set di dati contiene il 95% di email non spam e il 5% di email spam, un modello che predice semplicemente "non spam" per ogni email otterrebbe un'accuratezza del 95%, pur essendo inutile per identificare lo spam reale. Pertanto, è fondamentale considerare l'accuratezza insieme ad altre metriche di valutazione per avere un quadro completo delle prestazioni del modello. Puoi ottenere maggiori informazioni sulla valutazione dei modelli e sulle strategie di perfezionamento.
È importante distinguere l'accuratezza dalle metriche correlate:
Queste metriche sono spesso derivate da una matrice di confusione, che fornisce una ripartizione dettagliata delle classificazioni corrette ed errate per ogni classe. La comprensione di queste metriche di performanceYOLO è essenziale.
L'accuratezza è una metrica di base in molte applicazioni:
All'interno dell'ecosistema Ultralytics , l'accuratezza è una delle tante metriche utilizzate per valutare le prestazioni dei modelli, soprattutto per le attività di classificazione delle immagini. Quando si confrontano i modelli, come YOLO11 vs YOLOv8, i benchmark di accuratezza su set di dati standard come ImageNet forniscono preziosi punti di confronto, insieme alla velocità di inferenza e al costo computazionale. Tuttavia, per le attività di rilevamento e segmentazione, vengono privilegiate metriche come la mAP, che riflettono meglio le sfide specifiche di queste attività.