MACHINE LEARNING

Confusion Matrix (Matrice di Confusione)

Machine Learning

Definizione

La matrice di confusione e una tabella che visualizza le prestazioni di un modello di classificazione, mostrando veri positivi, veri negativi, falsi positivi e falsi negativi. Permette di capire non solo quanto il modello sbaglia, ma come sbaglia. E fondamentale per decidere se un modello AI e pronto per la produzione e dove serve migliorarlo.

Termini correlati

Machine Learning

Precision

La precision e una metrica che misura quante delle previsioni positive di un modello sono effettivamente corrette. Se un sistema di anomaly detection segnala 100 transazioni sospette e 80 sono realmente fraudolente, la precision e dell'80%. E importante quando i falsi positivi hanno un costo alto, come nel rilevamento frodi o nella diagnostica.

Machine Learning

Recall

La recall misura quante delle istanze positive reali vengono effettivamente identificate dal modello. Se ci sono 100 email di phishing e il sistema ne rileva 90, la recall e del 90%. E critica quando il costo di non rilevare un caso positivo e alto, come nella sicurezza, nel quality control e nella diagnostica medica.

Machine Learning

F1 Score

L'F1 score e la media armonica di precision e recall, fornendo una singola metrica che bilancia entrambe. Un F1 score alto indica che il modello e sia preciso nelle sue previsioni positive sia capace di trovare la maggior parte dei casi positivi. E la metrica piu usata per valutare modelli di classificazione in contesti aziendali dove servono sia precisione che completezza.

ESPLORA

Altri termini in Machine Learning

Supervised Learning

L'apprendimento supervisionato e la tecnica di ML in cui il modello impara da esempi etichettati: per ogni input si fornisce l'output corretto. Per esempio, mostrando migliaia di email etichettate come 'spam' o 'non spam', il modello impara a classificare nuove email. E l'approccio piu comune nelle applicazioni aziendali perche produce risultati affidabili e interpretabili.

Unsupervised Learning

L'apprendimento non supervisionato e la tecnica di ML in cui il modello trova pattern nei dati senza etichette predefinite. Il modello scopre autonomamente strutture nascoste come gruppi di clienti simili (clustering) o anomalie nei dati. E utile quando non si sa cosa cercare: l'AI puo rivelare segmenti di mercato o comportamenti anomali che non avevi considerato.

Reinforcement Learning

L'apprendimento per rinforzo e una tecnica di ML in cui un agente impara interagendo con un ambiente e ricevendo premi o penalita. E usato per ottimizzare strategie complesse come pricing dinamico, routing logistico e gestione del magazzino. L'agente sperimenta diverse azioni e impara quale strategia massimizza il risultato nel lungo periodo.

Classificazione

La classificazione e il compito di ML che assegna un'etichetta categorica a un input. Esempi: classificare email (spam/non spam), ticket di supporto (urgente/normale/basso), documenti (fattura/ordine/contratto) o immagini di prodotti (conforme/difettoso). E uno degli usi piu diffusi e immediati di AI nelle PMI, con ROI rapido e misurabile.

Regressione

La regressione e il compito di ML che prevede un valore numerico continuo. A differenza della classificazione che assegna categorie, la regressione stima quantita: previsione delle vendite, stima del prezzo di un immobile, previsione dei costi di produzione. E fondamentale per il demand forecasting e la pianificazione finanziaria nelle PMI.

Clustering

Il clustering e una tecnica di ML non supervisionato che raggruppa automaticamente dati simili. Si usa per segmentare clienti in base al comportamento d'acquisto, raggruppare prodotti simili, identificare pattern nelle chiamate di supporto. Non serve dire al modello quanti gruppi cercare (in molti algoritmi): li scopre autonomamente nei dati.

Vedi tutti i termini del glossario →

Vuoi applicare l'AI nella tua azienda?

Parla con noi. La prima call e gratuita e senza impegno.

Prenota una call