AI에서 RANK-1, RANK-5 및 RANK-N 정확도의 개념

인공지능의 정확도 평가에 있어서 다양한 논문 및 최신 기술백서 자료를 연구조사 할 때, Ranked Accuracy라는 개념을 접하게 될 때가 있을 것 입니다. 예를 들어 ImageNet 데이터 세트에서 평가된 학습 방법을 제시하는 거의 모든 논문들은 Rank-1 및 Rank-5 정확도 측면에서 결과를 제시하고 있습니다.

 

인공지능에서 RANK-1, RANK-5 및 RANK-N 정확도 개념은 아래의 그림으로 쉽게 이해하시면 될 것 같습니다.

 

[CASE 1]

 

 

[CASE 2]

 

 

 

일반적으로 대부분의 인공지능 연구자들이 모든 인식 및 추론 대상에 대해서, RANK-1 정확도에 도달하는 것이 목표입니다. RANK-1 정확도는 최상위 예측이 실측 레이블과 일치하는 예측의 백분율입니다. 올바른 예측의 총 수를 데이터 포인트 수로 나눕니다.

 

그런 다음 이 개념을 RANK-5 정확도로 확장 할 수 있습니다. 1위 예측에만 신경을 쓰지 않고 상위 5개 예측까지 고려합니다. 유사한 특성을 가진 많은 클래스를 포함하는 대규모 데이터 세트로 작업 할 때 네트워크 성능을 확인하기 위해 RANK-1 정확도의 확장으로 RANK-5 정확도를 종종 검사합니다. 이상적인 세계에서 RANK-1 정확도는 RANK-5 정확도와 동일한 비율로 증가하지만 까다롭거나 실제 데이터 세트에서는 항상 그런 것은 아닙니다.

 

 

 

 

 

 

[ AI 관련 알아야 할 내용 ]

(1) Ensemble AI Model 4가지 & 특징 : https://dev-sites.tistory.com/61

(2) Confusion Matrix : Measure(Metric)의 기본

	[       ] 양성	[       ] 음성
[       ] 양성	?	?
[       ] 음성	?	?

(3) Precision = ?

(4) Recall = ?

(5) Accuracy = ?

(6) mAP = ?

(7) F1-Score = ?

 

정답 : https://dev-sites.tistory.com/62

 

AI 딥러닝 관련 유투브 강좌
https://dev-sites.tistory.com/51

 

MLOPS 관련 유투브 강좌

https://dev-sites.tistory.com/89

 

생성형AI 관련 유투브 강좌

https://dev-sites.tistory.com/95

 

Human Pose Estimation 기술
https://dev-sites.tistory.com/96

 

LSTM AI 기술
https://dev-sites.tistory.com/99