Độ chính xác (Accuracy)

Độ chính xác đóng vai trò là tiêu chuẩn cơ bản trong việc đánh giá các hệ thống trí tuệ nhân tạo, định lượng tỷ lệ phần trăm dự đoán chính xác mà mô hình đưa ra so với tổng số dự đoán. Trong bối cảnh học máy và đặc biệt là học có giám sát , chỉ số này cung cấp cái nhìn tổng quan về mức độ hiệu quả của thuật toán trong việc khớp với dữ liệu thực tế được cung cấp trong quá trình huấn luyện. Mặc dù đây là thước đo hiệu suất trực quan nhất—trả lời câu hỏi đơn giản, "Mô hình dự đoán đúng bao nhiêu lần?"—nó đóng vai trò là chỉ báo chính về độ tin cậy của hệ thống trước khi các nhà phát triển đi sâu vào các chỉ số 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 dữ liệu huấn luyện cân bằng, trong đó tất cả các lớp được đại diện ngang nhau. Ví dụ, trong một nhiệm vụ phân loại hình ảnh tiêu chuẩn để phân biệt giữa mèo và chó, nếu tập dữ liệu chứa 500 hình ảnh của mỗi loại, thì độ chính xác là một thước đo đáng tin cậy. Tuy nhiên, những thách thức phát sinh với các tập dữ liệu không cân bằng , dẫn đến "nghịch lý độ chính xác".

Nếu một mô hình được huấn luyện để phát hiện gian lận trong đó chỉ có 1% giao dịch là gian lận, thì một mô hình chỉ đơn giản dự đoán mọi giao dịch là "hợp lệ" sẽ đạt được độ chính xác 99% trong khi hoàn toàn thất bại trong nhiệm vụ được giao. Để giảm thiểu điều này, các kỹ sư thường sử dụng Nền tảng Ultralytics để trực quan hóa sự phân bố dữ liệu và đảm bảo các mô hình không chỉ đơn thuần ghi nhớ lớp chiếm đa số.

Phân biệt giữa Độ chính xác và các thuật ngữ liên quan

Để hiểu đầy đủ hiệu suất của mô hình, điều quan trọng là phải phân biệt độ chính xác với các chỉ số tương tự:

• Độ chính xác : This measures the quality of positive predictions. It asks, "Of all the instances predicted as positive, how many were actually positive?"
• Độ nhạy (Recall ): Còn được gọi là độ chính xác, chỉ số này đo lường khả năng của mô hình trong việc tìm ra tất cả các trường hợp liên quan. Nó đặt ra câu hỏi: "Trong tất cả các trường hợp tích cực thực tế, mô hình đã xác định chính xác bao nhiêu trường hợp?"
• Điểm F1 : Đây là trung bình điều hòa của độ chính xác và độ thu hồi, cung cấp một điểm số duy nhất cân bằng cả hai, đặc biệt hữu ích cho các phân bố lớp không đồng đều.

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

Các Ứng dụng Thực tế

Tính hữu ích của độ chính xác trải rộng trên nhiều ngành công nghiệp khác nhau, chứng minh độ tin cậy của thị giác máy tính và các mô hình dự đoán trong các môi trường quan trọng.

• Chẩn đoán y khoa: Trong lĩnh vực phân tích hình ảnh y khoa , các mô hình được sử dụng để classify Chụp X-quang hoặc MRI. Mô hình phân loại hình ảnh quét là "khỏe mạnh" hay "bệnh lý" dựa trên độ chính xác cao để đảm bảo bệnh nhân nhận được chẩn đoán chính xác. Những đổi mới trong trí tuệ nhân tạo trong chăm sóc sức khỏe phụ thuộc rất nhiều vào quá trình kiểm định nghiêm ngặt để giảm thiểu lỗi tự động.
• Kiểm soát chất lượng trong sản xuất: Các hệ thống tự động trong sản xuất thông minh sử dụng kiểm tra trực quan để xác định các khuyết tật trên dây chuyền lắp ráp. Độ chính xác cao đảm bảo chỉ những sản phẩm không lỗi mới được xuất xưởng, giảm thiểu lãng phí và chi phí bảo hành. Bằng cách sử dụng phát hiện vật thể để phát hiện lỗi, các nhà máy duy trì tiêu chuẩn sản xuất một cách tự động.

Đo lường độ chính xác trong mã

Trong các tình huống thực tế khi sử dụng Python , các nhà phát triển có thể dễ dàng đo lường độ chính xác của mô hình bằng cách sử dụng các thư viện đã được thiết lập. Ví dụ sau đây minh họa cách xác thực mô hình phân loại YOLO26 để có được độ chính xác top-1. Độ chính xác top-1 đề cập đến tần suất mà dự đoán có xác suất cao nhất của mô hình 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 cải tiến

Khi một mô hình có độ chính xác thấp, có thể sử dụng một số kỹ thuật để nâng cao hiệu suất. Các kỹ sư thường sử dụng kỹ thuật tăng cường dữ liệu để tăng tính đa dạng của tập dữ liệu huấn luyện một cách nhân tạo, ngăn chặn hiện tượng quá khớp (overfitting ) của mô hình. Ngoài ra, việc tinh chỉnh siêu tham số — điều chỉnh các thiết lập như tốc độ học — có thể ảnh hưởng đáng kể đến sự hội tụ. Đối với các tác vụ phức tạp, học chuyển giao (transfer learning) cho phép mô hình 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.