Định nghĩa lớp dương trước
Trong bài này, dương nghĩa là có lỗi. Dự đoán dương tương ứng quyết định NG. Nhóm khác có thể chọn GOOD làm lớp dương nên công thức luôn cần đi cùng định nghĩa lớp.
| Trạng thái thật | Đánh dấu NG | Đánh dấu GOOD |
|---|---|---|
| Có lỗi | TP: phát hiện đúng | FN: chấp nhận nhầm, lọt lỗi |
| Tốt | FP: loại nhầm | TN: chấp nhận đúng |
Precision: trong số bị đánh dấu NG, bao nhiêu thực sự lỗi? Recall: trong số thực sự lỗi, hệ thống bắt được bao nhiêu?
precision = TP / (TP + FP)
recall = TP / (TP + FN)
tỷ_lệ_loại_nhầm = FP / (FP + TN)
tỷ_lệ_bỏ_sót_trên_hàng_lỗi = FN / (TP + FN)
tỷ_lệ_lỗi_trong_hàng_đã_cho_qua = FN / (TN + FN)
“Escape rate” có nhiều cách dùng mẫu số. Phải ghi rõ là bỏ sót trong toàn bộ hàng lỗi hay hàng lỗi trong số đã xuất. Mẫu số bằng 0 nghĩa là chưa ước lượng được từ mẫu đó, không phải hiệu năng hoàn hảo.
Ví dụ minh họa
Giả sử tập đã gán nhãn có 100 sản phẩm lỗi và 900 tốt. Hệ thống bắt 90 lỗi và loại nhầm 18 sản phẩm tốt:
- TP = 90, FN = 10, FP = 18, TN = 882.
- Precision = 90/108 ≈ 83,3%.
- Recall = 90/100 = 90%.
- Loại nhầm = 18/900 = 2%.
- Lỗi trong số cho qua = 10/892 ≈ 1,12%.
Đây là số giả định để giải thích, không phải kết quả TAS hoặc mức cho phép của nhà máy. Accuracy tổng thể cao vẫn có thể che giấu bỏ sót khi lỗi hiếm.
Ngưỡng làm thay đổi chi phí
Giảm ngưỡng điểm lỗi thường bắt thêm lỗi và loại thêm hàng tốt; cần đo thực tế thay vì giả định đường cong chung. Confidence không tự động là xác suất đã hiệu chỉnh.
Thống nhất tiêu chí với chủ quy trình: lọt lỗi quan trọng, sửa lại, phế phẩm và kiểm tra tay có hậu quả khác nhau. Không lấy tỷ lệ chấp nhận của dây chuyền khác làm chuẩn.
Xác nhận cấu hình
Giữ tập kiểm tra độc lập, tránh ảnh gần trùng ở các tập và báo số lượng theo từng lỗi. Bao gồm ca sản xuất, vật liệu, lô in và mẫu tốt khó. Ghi phiên bản model/recipe cùng ngưỡng.
Ít mẫu lỗi tạo độ bất định lớn. Báo số lỗi đã thử và khoảng bất định phù hợp; không thấy bỏ sót không chứng minh tỷ lệ tương lai bằng 0. Xác minh lại sau đổi camera, đèn, sản phẩm hoặc model.
Đọc phân loại và phát hiện, cùng giao tiếp PLC.
Tài liệu kỹ thuật tham khảo
Nguồn cho các khái niệm nền tảng; ví dụ và diễn giải do TAS Solutions biên soạn, không phải bảo chứng của nhà cung cấp.
- Google — Accuracy, Precision, and Recall
Chỉ số, lệch lớp và ảnh hưởng ngưỡng.
- scikit-learn — Confusion Matrix
Hàng thực tế, cột dự đoán và các kết quả nhị phân.
- scikit-learn — Classification Metrics
Quy ước lớp dương và đánh giá theo lớp.
