មេរៀនទី១៣៖ ការវាយតម្លៃភាពត្រឹមត្រូវ¶
ព័ត៌មានមេរៀន
រយៈពេលបង្រៀនដែលស្នើ៖ ៣ ម៉ោង · មេរៀនទី ១៣ ក្នុងចំណោម ១៥
ផែនទីគម្របដីមួយ មិនថាបានមកពីការចាត់ថ្នាក់គ្មានការណែនាំ (មេរៀនទី១១) ឬមានការណែនាំ (មេរៀនទី១២) សុទ្ធតែជា ការទាយ មិនមែនការវាស់ដោយផ្ទាល់ទេ។ សំណួរដែលអ្នកសម្រេចចិត្តគ្រប់រូបតែងសួរគឺ៖ «ខ្ញុំគួរជឿទុកចិត្តលើផែនទីនេះប៉ុនណា?»
មេរៀននេះជាចម្លើយជាប្រព័ន្ធចំពោះសំណួរនោះ។ យើងនឹងសិក្សា តារាងច្របូកច្របល់ (Confusion Matrix) ដែលជាឧបករណ៍ស្នូលសម្រាប់រាយការណ៍ភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់រូបភាពគ្រប់ការសិក្សា និងអត្ថន័យលេខនីមួយៗដែលវាបង្ហាញ។
១៣.១. គោលបំណងសិក្សា¶
បន្ទាប់ពីបញ្ចប់មេរៀន និស្សិតអាច៖
- បង្កើត និងអានតារាងច្របូកច្របល់។
- គណនា Overall Accuracy Producer's Accuracy និង User's Accuracy។
- ពន្យល់ថាហេតុអ្វី Kappa coefficient ចាំបាច់ ក្រៅពីភាពត្រឹមត្រូវសរុប។
- ជ្រើសយុទ្ធសាស្ត្រយកគំរូផ្ទៀងផ្ទាត់ត្រឹមត្រូវ (ចៃដន្យ ស្រទាប់ ជាដើម)។
- កំណត់ភាពខុសគ្នារវាងកំហុសនៃការធ្វើផែនទី និងកំហុសនៃការវាស់វែងភាពត្រឹមត្រូវខ្លួនឯង។
ចំណេះដឹងមុនត្រូវមាន¶
១៣.២. ស្ថានភាពបើកមេរៀន៖ ផែនទីមួយណាគួរជឿជាក់ជាង?¶
អ្នកស្រាវជ្រាវពីរនាក់ធ្វើផែនទីព្រៃឈើលើតំបន់ដូចគ្នា។ ម្នាក់ប្រើ K-means ម្នាក់ទៀតប្រើចម្ងាយអប្បបរមាដែលមានគំរូបណ្ដុះបណ្ដាល។ ផែនទីទាំងពីរមើលទៅសមហេតុផល ប៉ុន្តែខុសគ្នាបន្តិចត្រង់ព្រំតំបន់។
ដោយគ្មានការវាយតម្លៃជាផ្លូវការ គ្មាននរណាអាចនិយាយថាមួយណាល្អជាងបានទេ។ ដំណោះស្រាយគឺ យកគំរូផ្ទៀងផ្ទាត់ឯករាជ្យ (ដែលមិនប្រើក្នុងការបណ្ដុះបណ្ដាល ឬការគណនា K-means) រួចប្រៀបធៀបលទ្ធផលចាត់ថ្នាក់ជាមួយគម្របដីពិតនៅចំណុចទាំងនោះ។ លទ្ធផលនៃការប្រៀបធៀបនោះគឺ តារាងច្របូកច្របល់។
សំណួរដែលមេរៀននេះឆ្លើយ៖ តារាងច្របូកច្របល់សរសេរយ៉ាងណា? តើលេខអ្វីខ្លះដែលយើងគណនាពីវា ហើយអត្ថន័យរបស់វាជាអ្វី? ហើយហេតុអ្វីភាពត្រឹមត្រូវសរុបតែម្នាក់ឯង អាចបំភាន់?
១៣.៣. ទ្រឹស្ដីស្នូល¶
១៣.៣.១. តារាងច្របូកច្របល់¶
តារាងច្របូកច្របល់ (Confusion Matrix) ប្រៀបធៀប គម្របដីព្យាករ (ពីការចាត់ថ្នាក់) ជាមួយ គម្របដីពិត (ពីចំណុចផ្ទៀងផ្ទាត់ទីវាល ឬការបកស្រាយគុណភាពខ្ពស់ជាង)៖
ការអាន៖ ជួរដេកតំណាងគម្របដីពិត ជួរឈរតំណាងគម្របដីព្យាករ (ឬផ្ទុយវិញ អាស្រ័យលើអ្នកនិពន្ធ ត្រូវពិនិត្យកំណត់សម្គាល់ជានិច្ច)។ អង្កត់ទ្រូង បង្ហាញចំនួនចំណុចដែលចាត់ថ្នាក់ត្រូវ (គម្របដីព្យាករ = គម្របដីពិត)។ ក្រៅអង្កត់ទ្រូង បង្ហាញការច្រឡំ៖ ជួរដេក «ព្រៃឈើ» ជួរឈរ «ស្រែ» មានតម្លៃ ២ មានន័យថា ចំណុចពិត ២ ដែលជាព្រៃឈើ ត្រូវបានចាត់ថ្នាក់ខុសទៅជាស្រែ។
ពិសោធន៍៖ បង្កើតតារាងច្របូកច្របល់
ប្ដូរចំនួនគំរូ ហើយចុចប៊ូតុងដើម្បីបង្កើតតារាងថ្មី។ សង្កេតកន្លែងណាដែលមានការច្រឡំ (ក្រឡាក្រៅអង្កត់ទ្រូងដែលមានតម្លៃ)។
អានរូបនេះ
- អង្កត់ទ្រូង (បៃតង) = ចាត់ថ្នាក់ត្រូវ · ក្រៅអង្កត់ទ្រូង = ច្រឡំ។
- ជួរដេកប្រាប់ថា ថ្នាក់យោងមួយ ត្រូវចាត់ទៅថ្នាក់ណាខ្លះ។
- សំណង់ និងដីទទេ ច្រឡំគ្នាច្រើនបំផុត។
១៣.៣.២. ភាពត្រឹមត្រូវសរុប¶
Overall Accuracy (OA) ជាតួលេខសង្ខេបសាមញ្ញបំផុត៖
OA = (ផលបូកអង្កត់ទ្រូង) ÷ (ផលបូកសរុបទាំងអស់) × ១០០%
វាឆ្លើយសំណួរ «ជារួម តើចំណុចប៉ុន្មានភាគរយត្រូវបានចាត់ថ្នាក់ត្រូវ?» ប៉ុន្តែវាបាំង ភាពខុសគ្នារវាងថ្នាក់។ ថ្នាក់មួយអាចត្រឹមត្រូវ ១០០% ខណៈថ្នាក់មួយទៀតត្រឹមត្រូវត្រឹមតែ ៦០% ហើយ OA នៅតែអាចមើលទៅល្អ បើថ្នាក់ដែលត្រឹមត្រូវខ្ពស់មានចំនួនច្រើនជាង។ នេះជាមូលហេតុដែលយើងត្រូវការតួលេខតាមថ្នាក់ផងដែរ។
១៣.៣.៣. ភាពត្រឹមត្រូវតាមថ្នាក់៖ Producer's និង User's¶
ពីតារាងច្របូកច្របល់ គណនាបានពីរតួលេខសំខាន់ក្នុងមួយថ្នាក់៖
- Producer's Accuracy (PA)៖ គណនាពីជួរដេក (គម្របដីពិត)។ ចំពោះចំណុចដែលជាព្រៃឈើពិត ប៉ុន្មានភាគរយត្រូវបានចាត់ថ្នាក់ត្រូវជាព្រៃឈើ? វាវាស់ ការខកខាន (omission error)៖ ១០០% − PA = ភាគរយនៃព្រៃឈើពិតដែលខកខានមិនបានចាត់ថ្នាក់ត្រូវ។
- User's Accuracy (UA)៖ គណនាពីជួរឈរ (គម្របដីព្យាករ)។ ចំពោះចំណុចដែលផែនទីនិយាយថាជាព្រៃឈើ ប៉ុន្មានភាគរយជាព្រៃឈើពិតប្រាកដ? វាវាស់ ការបន្ថែមខុស (commission error)៖ ១០០% − UA = ភាគរយនៃចំណុចដែលចាត់ខុសចូលមកក្នុងថ្នាក់នេះ។
ភាពខុសគ្នារវាងទាំងពីរសំខាន់ណាស់សម្រាប់ការសម្រេចចិត្ត៖ បើអ្នកគ្រោងប្រើផែនទីដើម្បី រកព្រៃឈើទាំងអស់ (ឧ. សម្រាប់ការការពារ) PA សំខាន់ជាង។ បើអ្នកគ្រោង ជឿជាក់លើផ្ទៃដីដែលសម្គាល់ថាជាព្រៃឈើ (ឧ. សម្រាប់ការវិនិយោគ) UA សំខាន់ជាង។
អានរូបនេះ
- PA (អ្នកផលិត)៖ ក្នុងចំណោមដីពិតនៃថ្នាក់នេះ ប៉ុន្មាន % ត្រូវបានរកឃើញ?
- UA (អ្នកប្រើ)៖ ពេលផែនទីនិយាយថាថ្នាក់នេះ ត្រូវប៉ុន្មាន %?
- OA ខ្ពស់អាចលាក់ PA ទាបនៃថ្នាក់តូច។
១៣.៣.៤. Kappa Coefficient¶
ភាពត្រឹមត្រូវសរុបមានបញ្ហាមួយទៀត៖ វាមិនគិតគូរថា ការទាយចៃដន្យក៏អាចផ្ដល់ភាពត្រឹមត្រូវខ្ពស់ដែរ បើថ្នាក់មួយគ្របដណ្ដប់ភាគច្រើននៃទិន្នន័យ។ ឧទាហរណ៍ បើ ៨០% នៃតំបន់សិក្សាជាព្រៃឈើ ការទាយថា «ព្រៃឈើ» សម្រាប់គ្រប់ចំណុច នឹងផ្ដល់ភាពត្រឹមត្រូវសរុប ៨០% ដោយគ្មានការវិភាគអ្វីសោះ។
ពិសោធន៍៖ ហេតុអ្វីត្រូវការ Kappa
ប្ដូរ «ថ្នាក់ភាគច្រើន» ឱ្យខ្ពស់ (ដូចព្រៃឈើគ្របដណ្ដប់ភាគច្រើន) ហើយសង្កេតថា Kappa ទាបជាង OA ខ្លាំងប៉ុនណា។
Kappa Coefficient (κ) កែតម្រូវសម្រាប់ការឯកភាពដោយចៃដន្យ៖
κ = (OA − pe) ÷ (1 − pe)
ដែល pe ជាភាពត្រឹមត្រូវដែលរំពឹងទុកពីការទាយចៃដន្យ គិតពីសមាមាត្រនៃថ្នាក់នីមួយៗក្នុងតារាង។ ការបកស្រាយប្រហាក់ប្រហែល (Landis & Koch)៖
| Kappa | ការបកស្រាយ |
|---|---|
| < ០ | អាក្រក់ជាងចៃដន្យ |
| ០ ដល់ ០,២ | ខ្សោយណាស់ |
| ០,២ ដល់ ០,៤ | ខ្សោយ |
| ០,៤ ដល់ ០,៦ | មធ្យម |
| ០,៦ ដល់ ០,៨ | ល្អ |
| ០,៨ ដល់ ១ | ល្អណាស់ |
ការសិក្សាវិទ្យាសាស្ត្រភាគច្រើន តម្រូវឱ្យរាយការណ៍ទាំង OA ទាំង Kappa រួមគ្នា ព្រោះ Kappa ទាប ខណៈ OA ខ្ពស់ ជាសញ្ញាព្រមានថាលទ្ធផលអាចត្រូវបានជំរុញដោយថ្នាក់ភាគច្រើនតែម្នាក់ឯង។
អានរូបនេះ
- OA ៨០% អាចមិនល្អ បើថ្នាក់មួយគ្របដណ្ដប់ ៨០% នៃរូបភាព។
- Kappa ប្រៀបធៀបលទ្ធផលជាមួយការទាយចៃដន្យ។
- អ្នកស្រាវជ្រាវជាច្រើនណែនាំឱ្យរាយការណ៍ PA/UA និងផ្ទៃ ជាងពឹងលើ Kappa តែមួយ។
១៣.៣.៥. យុទ្ធសាស្ត្រយកគំរូផ្ទៀងផ្ទាត់¶
គុណភាពនៃការវាយតម្លៃ អាស្រ័យលើគុណភាពគំរូផ្ទៀងផ្ទាត់ ដូចគ្នានឹងគំរូបណ្ដុះបណ្ដាលដែរ។ គោលការណ៍ចាំបាច់៖
- ឯករាជ្យទាំងស្រុងពីគំរូបណ្ដុះបណ្ដាល៖ កុំប្រើចំណុចដដែលសម្រាប់ទាំងពីរគោលបំណង។
- យកគំរូចៃដន្យ ឬចៃដន្យបែងចាត់ថ្នាក់ (stratified random)៖ ចៃដន្យសុទ្ធអាចផ្ដល់ចំណុចតិចពេកសម្រាប់ថ្នាក់កម្រ (ដូចជាទឹក ដែលមានផ្ទៃតូច)។ ការបែងចាត់ថ្នាក់មុន រួចចៃដន្យក្នុងថ្នាក់នីមួយៗ ធានាថាថ្នាក់តូចមានគំរូគ្រប់គ្រាន់។
- ចំនួនគំរូគ្រប់គ្រាន់៖ គោលការណ៍ណែនាំទូទៅ យ៉ាងតិច ៥០ ចំណុចក្នុងមួយថ្នាក់ សម្រាប់ការសិក្សាកម្រិតមធ្យម (ច្រើនជាងនេះសម្រាប់ការសិក្សាដែលទាមទារភាពត្រឹមត្រូវខ្ពស់ ឬតំបន់ធំ)។
- ប្រភពគំរូគុណភាពខ្ពស់ជាងទិន្នន័យដែលកំពុងវាយតម្លៃ៖ ការចុះទីវាល ឬការបកស្រាយពីរូបភាពគុណភាពខ្ពស់ជាង (ឧ. ប្រើរូបភាពក្រឡា ០,៥ ម ដើម្បីផ្ទៀងផ្ទាត់ការចាត់ថ្នាក់ពី Sentinel-2)។
ភាពលំអៀងពេលវេលា
គំរូផ្ទៀងផ្ទាត់ដែលចុះទីវាលក្រោយការថតរូបភាពជាច្រើនខែ អាចលែងត្រឹមត្រូវទេ ជាពិសេសសម្រាប់ថ្នាក់ដែលប្ដូរលឿន (ដូចជាស្រែ)។ ត្រូវប្រុងប្រយ័ត្នអំពីភាពស្របគ្នានៃពេលវេលារវាងរូបភាព និងគំរូផ្ទៀងផ្ទាត់។
ត្រូវការចំណុចផ្ទៀងផ្ទាត់ប៉ុន្មាន? ទ្រឹស្ដីប្រូបាប៊ីលីតេទ្វេធាតុ (binomial) ផ្ដល់រូបមន្ត (Fitzpatrick-Lins, 1981)៖
N = Z² × p × q ÷ E²
ដែល p = ភាពត្រឹមត្រូវដែលរំពឹង (%) · q = ១០០ − p · E = កំហុសដែលអនុញ្ញាត (%) · Z = ២ (កម្រិតទំនុកចិត្ត ~៩៥%)។
- p = ៨៥% · E = ៥% → N = ២² × ៨៥ × ១៥ ÷ ៥² = ២០៤ ចំណុច
- p = ៨៥% · E = ១០% → N = ២² × ៨៥ × ១៥ ÷ ១០² = ៥១ ចំណុច
ការកាត់បន្ថយកំហុសដែលអនុញ្ញាតពាក់កណ្ដាល ត្រូវការចំណុចបួនដង។ ចំនួននេះគឺសម្រាប់ផែនទីទាំងមូល ដែលត្រូវចែកទៅតាមថ្នាក់ (បែងចាត់ថ្នាក់)។
ឧទាហរណ៍ KHAT ពេញលេញ៖ រូបមន្តពេញ
K̂ = (N Σxii − Σ(xi+ × x+i)) ÷ (N² − Σ(xi+ × x+i))
ដែល xii = អង្កត់ទ្រូង · xi+ = ផលបូកជួរដេក · x+i = ផលបូកជួរឈរ។ តារាងមួយមាន N = ២៣០ · អង្កត់ទ្រូង ២៤ + ៣២ + ១៥ + ៣២ = ១០៣ (OA = ៤៥%) · Σ(xi+ × x+i) = (៣៥×៦០) + (៩៩×៤៧) + (៣៦×៦៩) + (៦០×៥៤) = ១២ ៤៧៧។ ដូច្នេះ K̂ = (២៣០ × ១០៣ − ១២ ៤៧៧) ÷ (២៣០² − ១២ ៤៧៧) = ១១ ២១៣ ÷ ៤០ ៤២៣ = ០,២៨ ពោលគឺភាពត្រឹមត្រូវទាប។
គណនាផ្ទៃពីលទ្ធផលចាត់ថ្នាក់៖ ផ្ទៃថ្នាក់ = ចំនួនក្រឡា × ទំហំក្រឡា។ Landsat៖ ចំនួនក្រឡា × (៣០ × ៣០) ÷ (១០០ × ១០០) = ហិកតា។ ឧទាហរណ៍ ថ្នាក់ «ទឹក» មាន ១៦ ៤៥៨ ក្រឡា → ១៦ ៤៥៨ × ០,០៩ = ១ ៤៨១ ហ.ត។ ចំណាំ៖ ផ្ទៃពីផែនទីរាប់ក្រឡាដែលចាត់ថ្នាក់ខុសផងដែរ ដូច្នេះការសិក្សាដែលល្អ កែតម្រូវផ្ទៃដោយប្រើតារាងច្របូកច្របល់ (Olofsson et al., 2014) ហើយរាយការណ៍ចន្លោះទំនុកចិត្ត។
អានរូបនេះ
- ចៃដន្យសាមញ្ញ៖ ថ្នាក់តូច (ទឹក ដីទទេ) អាចទទួលគំរូតិចពេក។
- តាមស្រទាប់៖ ចំនួនគំរូស្មើគ្នាក្នុងថ្នាក់នីមួយៗ (ណែនាំ)។
- ចំណុចផ្ទៀងផ្ទាត់ត្រូវដាច់ពីគំរូបណ្ដុះបណ្ដាល។
១៣.៣.៦. ដែនកំណត់ និងអ្វីដែលការវាយតម្លៃមិនប្រាប់¶
- លេខភាពត្រឹមត្រូវសុពលភាពត្រឹមតែលើតំបន់សិក្សា៖ ការចាត់ថ្នាក់ត្រឹមត្រូវ ៩០% លើខេត្តមួយ មិនមានន័យថានឹងត្រឹមត្រូវ ៩០% លើខេត្តផ្សេងទេ ជាពិសេសបើគម្របដីខុសគ្នា។
- ការវាយតម្លៃខ្លួនឯងអាចមានកំហុស៖ បើគំរូផ្ទៀងផ្ទាត់មានកំហុស (ការកត់ត្រាខុស ការចុះទីវាលមិនត្រឹមត្រូវ) លទ្ធផលវាយតម្លៃខុសដែរ។
- ភាពត្រឹមត្រូវខ្ពស់មិនមានន័យថាព្រំដែនត្រឹមត្រូវទេ៖ ចំណុចមួយចំនួនអាចចាត់ថ្នាក់ត្រូវ ខណៈព្រំរវាងថ្នាក់ (ដូចគែមព្រៃ) នៅតែមិនច្បាស់។
- ការវាយតម្លៃមិនប្រាប់មូលហេតុនៃកំហុសទេ៖ វាប្រាប់ ថាតើមានកំហុសប៉ុន្មាន មិនមែន ហេតុអ្វី កើតកំហុសនោះទេ។ ការវិភាគតារាងច្របូកច្របល់ដោយប្រុងប្រយ័ត្ន (មើលថ្នាក់ណាច្រឡំនឹងថ្នាក់ណា) ជួយបង្កល័កណ្ឌនៃការកែលម្អ។
ការរាយការណ៍ត្រឹមត្រូវរួមមាន៖ តារាងច្របូកច្របល់ពេញលេញ · OA · Kappa · PA/UA តាមថ្នាក់ · ចំនួនគំរូ · និងវិធីយកគំរូ។
អានរូបនេះ
- ផ្ទៃ = ចំនួនក្រឡា × ៩០០ ម² ÷ ១០ ០០០។
- ថ្នាក់ដែលមាន UA ទាប ត្រូវបានប៉ាន់ស្មានលើស។
- Olofsson (2014) កែតម្រូវផ្ទៃដោយប្រើតារាងច្របូកច្របល់។
១៣.៣.៧. ផ្ទៃកែតម្រូវកំហុស និងចន្លោះទំនុកចិត្ត¶
ផ្ទៃដែលរាប់ពីក្រឡាលើផែនទី គ្មានភាពមិនច្បាស់ ព្រោះវាគ្រាន់តែរាប់។ ប៉ុន្តែយើងដឹងហើយថាផែនទីមានកំហុស។ Olofsson et al. (2014) ណែនាំឱ្យប្រើ គំរូយោងតាមស្រទាប់ (stratified sample) ដែលស្រទាប់ជាថ្នាក់នៅលើផែនទី ដើម្បី ប៉ាន់ស្មាន ផ្ទៃពិតនៃថ្នាក់នីមួយៗ ជាមួយ ចន្លោះទំនុកចិត្ត៖
- Wᵢ = ផ្ទៃផែនទីនៃថ្នាក់ i ÷ ផ្ទៃសរុប (ទម្ងន់ស្រទាប់)
- p̂ⱼ = Σᵢ Wᵢ × nᵢⱼ ÷ nᵢ (សមាមាត្រប៉ាន់ស្មាននៃថ្នាក់យោង j ដែល nᵢⱼ = គំរូដែលផែនទីថា i ហើយការពិតជា j)
- ផ្ទៃកែតម្រូវ = p̂ⱼ × ផ្ទៃសរុប · ចន្លោះទំនុកចិត្ត ៩៥% = ±១,៩៦ × SE × ផ្ទៃសរុប ដែល SE(p̂ⱼ) = √(Σᵢ Wᵢ² (nᵢⱼ/nᵢ)(1 − nᵢⱼ/nᵢ) ÷ (nᵢ − 1))
ឧទាហរណ៍ពីរបាយការណ៍ទឹកជំនន់គំរូ (ខេត្តបាត់ដំបង)៖ ផែនទីរាប់បានផ្ទៃលិច ២៤ ៦៨០ ហ.ត និងមិនលិច ៥០០ ០០០ ហ.ត។ គំរូយោង ១០០ (៥១ ក្នុងស្រទាប់ «មិនលិច» និង ៤៩ ក្នុង «លិច»)៖ ក្នុង «មិនលិច» មាន ៥ ចំណុចដែលតាមពិតលិច ហើយក្នុង «លិច» មាន ៤ ចំណុចដែលតាមពិតមិនលិច។
- p̂(លិច) = ០,៩៥៣ × ៥/៥១ + ០,០៤៧ × ៤៥/៤៩ = ០,០៩៣ + ០,០៤៣ = ០,១៣៧
- ផ្ទៃលិចកែតម្រូវ = ០,១៣៧ × ៥២៤ ៦៨០ ≈ ៧១ ៧០០ ហ.ត ± ៤១ ៣០០ ហ.ត
ផ្ទៃរាប់ក្រឡា (២៤ ៦៨០ ហ.ត) ធ្លាក់ ក្រៅ ចន្លោះទំនុកចិត្ត៖ ផែនទីប៉ាន់ផ្ទៃលិចតិចជាងពិត។ មូលហេតុគឺកំហុស ការខកខាន (omission) តូចមួយ (៥ ក្នុង ៥១) ក្នុងស្រទាប់ធំខ្លាំង ដែលក្លាយជាផ្ទៃធំពេលគុណនឹង ៥០០ ០០០ ហ.ត។ ចន្លោះទំនុកចិត្តធំ (± ៥៨%) ប្រាប់ថាត្រូវការគំរូបន្ថែម ជាពិសេសក្នុងស្រទាប់ «មិនលិច»។
Producer's accuracy ក៏ត្រូវកែតម្រូវដែរ៖ ពីចំនួនគំរូផ្ទាល់ Producer's នៃ «លិច» = ៤៥ ÷ ៥០ = ៩០%។ ប៉ុន្តែគំរូត្រូវបានយកស្មើគ្នាក្នុងស្រទាប់ទាំងពីរ ខណៈស្រទាប់ «មិនលិច» ធំជាង ២០ ដង។ ពេលប្រើទម្ងន់ផ្ទៃ Wᵢ Producer's ប៉ាន់ស្មាន = (០,០៤៧ × ៤៥/៤៩) ÷ ០,១៣៧ ≈ ៣២%៖ ផែនទីចាប់បានត្រឹមប្រហែលមួយភាគបីនៃផ្ទៃលិចពិត។ OA និង Producer's ដែលគណនាពីចំនួនគំរូផ្ទាល់ អាចបំភាន់ ពេលគំរូមិនបែងតាមសមាមាត្រផ្ទៃ។
សាកល្បង
- ចុច គំរូ «មិនលិច» ×៤៖ ចន្លោះទំនុកចិត្តតូចប៉ុណ្ណា? ការបន្ថែមគំរូក្នុងស្រទាប់ណាមានប្រយោជន៍ជាង?
- ចុច បែងតាមសមាមាត្រផ្ទៃ (៩៦ និង ៤)៖ ហេតុអ្វីគំរូតែ ៤ ក្នុងស្រទាប់ «លិច» ធ្វើឱ្យ User's accuracy មិនអាចទុកចិត្តបាន?
- ប្ដូរលេខ ៥ (មិនលិចលើផែនទី ប៉ុន្តែលិចពិត) ទៅ ០៖ ផ្ទៃកែតម្រូវ ខិតជិតផ្ទៃរាប់ក្រឡាទេ?
លេខក្នុងរបាយការណ៍គំរូ
ផ្ទៃ «មិនលិច» ៥០០ ០០០ ហ.ត ក្នុងរបាយការណ៍គំរូ ខុសពីផ្ទៃខេត្តពិត (ប្រហែល ១ ១៧០ ០០០ ហ.ត)។ យើងប្រើវាដើម្បីបង្ហាញរបៀបគណនាប៉ុណ្ណោះ។ ក្នុងការងារពិត ផ្ទៃសរុបត្រូវស្មើផ្ទៃតំបន់សិក្សា។
១៣.៤. ឧទាហរណ៍ដែលបានដោះស្រាយ៖ វាយតម្លៃ និងប្រៀបធៀបវិធីចាត់ថ្នាក់ទាំងពីរ¶
ត្រឡប់ទៅស្ថានភាពបើកមេរៀន៖ ប្រៀបធៀបលទ្ធផល K-means និងចម្ងាយអប្បបរមា ដោយប្រើគំរូផ្ទៀងផ្ទាត់ឯករាជ្យ ១៥០ ចំណុច (៣០ ក្នុងមួយថ្នាក់)។
ជំហានទី១៖ បង្កើតតារាងច្របូកច្របល់ទាំងពីរ¶
សម្រាប់ការចាត់ថ្នាក់នីមួយៗ ប្រៀបធៀបលទ្ធផលនឹងគម្របដីពិតនៅ ១៥០ ចំណុច។
ជំហានទី២៖ ប្រៀបធៀប OA¶
K-means (ក្រោយដាក់ស្លាក)៖ OA = ៨៦%។ ចម្ងាយអប្បបរមា (ជាមួយគំរូបណ្ដុះបណ្ដាល)៖ OA = ៩៣%។ ដំបូងមើលទៅ ចម្ងាយអប្បបរមាប្រសើរជាង។
ជំហានទី៣៖ ប្រៀបធៀប Kappa¶
ព្រៃឈើគ្របដណ្ដប់ ៤៥% នៃទិន្នន័យ (ថ្នាក់ភាគច្រើន ប៉ុន្តែមិនលើសលប់)។ Kappa របស់ K-means = ០,៨០ ចម្ងាយអប្បបរមា = ០,៩០។ លំដាប់ដដែល ប៉ុន្តែគម្លាតតូចជាង OA ចង្អុលថាការឯកភាពដោយចៃដន្យមិនមែនជាកត្តាចម្បងទេ។
ជំហានទី៤៖ វិភាគតារាងច្របូកច្របល់លម្អិត¶
ទាំងពីរវិធីមានបញ្ហាដូចគ្នា៖ ការច្រឡំរវាងព្រៃឈើ និងស្រែ (ដូចការសង្កេតក្នុងមេរៀនទី៣)។ ចម្ងាយអប្បបរមាកែបញ្ហានេះកាន់តែប្រសើរ ដោយសារវាប្រើក្រុមរលក SWIR ដែលបែងចែកបានល្អជាង ខណៈ K-means ផ្អែកលើចម្ងាយសរុបគ្រប់ក្រុមរលកស្មើគ្នា។
ជំហានទី៥៖ អនុសាសន៍¶
ចម្ងាយអប្បបរមាជាជម្រើសល្អជាងសម្រាប់ការសិក្សានេះ ព្រោះទាំង OA ទាំង Kappa ខ្ពស់ជាង ហើយភាពខុសគ្នាមិនមែនគ្រាន់តែជាផលនៃថ្នាក់ភាគច្រើនទេ។ ប៉ុន្តែក្រុមការងារគួររាយការណ៍ការច្រឡំព្រៃ/ស្រែជាដែនកំណត់រួមរបស់ទាំងពីរវិធី។
សេចក្ដីសន្និដ្ឋានដែលសមស្រប¶
«ការវាយតម្លៃភាពត្រឹមត្រូវជាផ្លូវការ បង្ហាញថាចម្ងាយអប្បបរមាប្រសើរជាង K-means សម្រាប់ការសិក្សានេះ ដោយផ្អែកលើទាំង OA ទាំង Kappa មិនមែនការសង្កេតដោយភ្នែកតែម្នាក់ឯងទេ។ ការវិភាគតារាងច្របូកច្របល់លម្អិត ក៏បញ្ជាក់ថាបញ្ហាចម្បង (ការច្រឡំព្រៃ/ស្រែ) នៅតែមានក្នុងទាំងពីរវិធី។»
អ្វីដែលយើងមិនអាចសន្និដ្ឋាន
ការវាយតម្លៃនេះសុពលភាពត្រឹមតែលើតំបន់សិក្សា និងពេលវេលាដែលប្រើ។ វាមិនអាចធានាថាចម្ងាយអប្បបរមានឹងប្រសើរជាង K-means សម្រាប់តំបន់ ឬឆ្នាំផ្សេង។ ការធ្វើផែនទីលើតំបន់ថ្មី គួរធ្វើការវាយតម្លៃម្ដងទៀត។
១៣.៥. សកម្មភាពអនុវត្ត¶
លំហាត់នេះស្ថិតក្នុងសៀវភៅអនុវត្ត
ការអនុវត្តលើ QGIS សម្រាប់មេរៀននេះស្ថិតក្នុង លំហាត់ទី១៣។
និស្សិតធ្វើលំហាត់នេះ ដោយខ្លួនឯង នៅក្រៅម៉ោងរៀន។
១៣.៦. ការយល់ច្រឡំដែលត្រូវប្រុងប្រយ័ត្ន¶
១. «ភាពត្រឹមត្រូវសរុបខ្ពស់ គឺគ្រប់គ្រាន់ដើម្បីជឿទុកចិត្តលើផែនទី» Kappa និង PA/UA តាមថ្នាក់ ប្រាប់ព័ត៌មានបន្ថែមសំខាន់ដែល OA លាក់។
២. «Producer's និង User's Accuracy ដូចគ្នា» ពួកវាគណនាពីទិសដៅផ្ទុយគ្នា (ជួរដេក ធៀបនឹងជួរឈរ) ហើយអាចខុសគ្នាខ្លាំងសម្រាប់ថ្នាក់តែមួយ។
៣. «Kappa ១ តែងប្រសើរជាង Kappa ០,៨» តម្លៃខ្ពស់ជាងតែងល្អជាង ប៉ុន្តែភាពខុសគ្នាតូចអាចមិនមានន័យស្ថិតិ បើគំរូតិច។
៤. «គំរូបណ្ដុះបណ្ដាល និងគំរូផ្ទៀងផ្ទាត់អាចជាសំណុំដូចគ្នា ដរាបណាមានច្រើនគ្រប់គ្រាន់» ការប្រើគំរូដដែលផ្ដល់ការវាយតម្លៃក្លែងក្លាយ ទោះមានចំនួនប៉ុន្មានក៏ដោយ។
៥. «ភាពត្រឹមត្រូវខ្ពស់លើគំរូមានន័យថាព្រំដែនផែនទីត្រឹមត្រូវ» ចំណុចគំរូវាស់តែចំណុចនោះ។ ព្រំដែនរវាងចំណុច (ដូចគែមព្រៃ) នៅតែអាចមិនច្បាស់។
៦. «ផ្ទៃពីផែនទី ជាផ្ទៃពិត ព្រោះ OA ខ្ពស់» OA ៩១% នៅតែអាចបង្កើតកំហុសផ្ទៃធំ បើថ្នាក់មួយតូច ហើយកំហុសការខកខានស្ថិតនៅក្នុងថ្នាក់ធំ។ រាយការណ៍ផ្ទៃកែតម្រូវជាមួយចន្លោះទំនុកចិត្ត។
១៣.៧. សេចក្ដីសង្ខេបមេរៀន¶
តារាងច្របូកច្របល់ប្រៀបធៀបគម្របដីព្យាករជាមួយគម្របដីពិត ដែលផ្ដល់មូលដ្ឋានសម្រាប់គណនា Overall Accuracy (ជារួម) Producer's Accuracy (ការខកខាន តាមថ្នាក់) និង User's Accuracy (ការបន្ថែមខុស តាមថ្នាក់)។
Kappa Coefficient កែតម្រូវសម្រាប់ការឯកភាពដោយចៃដន្យ ដែលសំខាន់ពេលថ្នាក់មួយគ្របដណ្ដប់ភាគច្រើននៃទិន្នន័យ។ គុណភាពនៃការវាយតម្លៃ អាស្រ័យលើគំរូផ្ទៀងផ្ទាត់ដែលឯករាជ្យ ចែកចាយសមស្រប និងមានគុណភាព។
គំនិតស្នូលនៃមេរៀន
ភាពត្រឹមត្រូវមិនមែនជាលេខតែមួយទេ។ តារាងច្របូកច្របល់ពេញលេញប្រាប់រឿងច្រើនជាង OA តែម្នាក់ឯង ជាពិសេសថាតើកំហុសនៅឯណា។
១៣.៨. ពាក្យគន្លឹះខ្មែរ–អង់គ្លេស¶
| ពាក្យខ្មែរ | ពាក្យអង់គ្លេស | អត្ថន័យខ្លី |
|---|---|---|
| តារាងច្របូកច្របល់ | Confusion matrix | ប្រៀបធៀបព្យាករ និងពិត |
| ភាពត្រឹមត្រូវសរុប | Overall Accuracy (OA) | ភាគរយត្រឹមត្រូវជារួម |
| Producer's Accuracy | Producer's Accuracy | ភាគរយត្រូវតាមជួរដេក (ការខកខាន) |
| User's Accuracy | User's Accuracy | ភាគរយត្រូវតាមជួរឈរ (ការបន្ថែមខុស) |
| Kappa Coefficient | Kappa coefficient | កែតម្រូវសម្រាប់ការឯកភាពដោយចៃដន្យ |
| ការខកខាន | Omission error | ចំណុចពិតមិនបានចាត់ថ្នាក់ត្រូវ |
| ការបន្ថែមខុស | Commission error | ចំណុចចាត់ខុសចូលថ្នាក់ |
| ការយកគំរូបែងចាត់ថ្នាក់ | Stratified random sampling | ចៃដន្យក្នុងថ្នាក់នីមួយៗ |
| ផ្ទៃកែតម្រូវកំហុស | Error-adjusted area | ផ្ទៃប៉ាន់ពីគំរូយោង មិនមែនរាប់ក្រឡា |
| ចន្លោះទំនុកចិត្ត | Confidence interval | ចន្លោះដែលផ្ទៃពិតទំនងស្ថិតនៅ (៩៥%) |
១៣.៩. សំណួររំលឹក និងវាយតម្លៃ¶
ក. សំណួរយល់ដឹង¶
- សរសេររូបមន្ត Overall Accuracy និងពន្យល់ព័ត៌មានដែលវាលាក់។
- បែងចែក Producer's Accuracy និង User's Accuracy ព្រមទាំងឧទាហរណ៍។
- ហេតុអ្វី Kappa Coefficient ចាំបាច់ ក្រៅពី OA?
- រាយគោលការណ៍បួននៃការយកគំរូផ្ទៀងផ្ទាត់ដែលមានគុណភាព។
- រាយដែនកំណត់បីនៃការវាយតម្លៃភាពត្រឹមត្រូវ។
ខ. សំណួរអនុវត្តគោលគំនិត¶
- ថ្នាក់ «ទឹក» មាន PA=៩៥% និង UA=៦០%។ ពន្យល់ន័យ ហើយស្នើកន្លែងដែលបញ្ហាទំនងជាកើត។
- ការសិក្សាមួយរាយការណ៍ OA=៩២% ដោយមិនរាយ Kappa។ តើអ្នកនឹងសួរអ្វីមុននឹងជឿទុកចិត្តលទ្ធផល?
- អ្នកមានតំបន់សិក្សាដែលមាន ៩០% ជាស្រែ និង ១០% ជាថ្នាក់ផ្សេង។ ស្នើយុទ្ធសាស្ត្រយកគំរូផ្ទៀងផ្ទាត់ដែលសមស្រប។
- គណនា OA ដោយដៃ បើតារាងច្របូកច្របល់ ២ × ២ មាន [៨០,៥] / [១០,៦៥] (ជួរដេក/ជួរឈរ)។
- ហេតុអ្វីភាពត្រឹមត្រូវខ្ពស់នៅចំណុចគំរូ មិនធានាថាព្រំដែនផែនទីទាំងមូលត្រឹមត្រូវ? ផ្ដល់ឧទាហរណ៍មួយ។
គ. កិច្ចការខ្លី¶
ក្នុងពិសោធន៍តារាងច្របូកច្របល់ ចូរបង្កើតតារាងជាមួយគំរូ ៤០ ក្នុងមួយថ្នាក់។ គណនាដោយដៃ (លើក្រដាស)៖ OA · PA និង UA សម្រាប់ថ្នាក់ «ស្រែ» ដោយប្រើលេខពីតារាង។ ប្រៀបធៀបចម្លើយរបស់អ្នក ជាមួយលេខដែលពិសោធន៍បង្ហាញ។
កំណត់សម្គាល់សម្រាប់គ្រូបង្រៀន¶
ក. ការបែងចែកពេលវេលា ១៨០ នាទី¶
| សកម្មភាព | ពេលវេលា |
|---|---|
| ស្ថានភាពបើកមេរៀន៖ ផែនទីមួយណាគួរជឿជាក់ជាង | ១៥ នាទី |
| តារាងច្របូកច្របល់ · ពិសោធន៍ | ៣០ នាទី |
| ភាពត្រឹមត្រូវសរុប | ១៥ នាទី |
| Producer's និង User's Accuracy | ២៥ នាទី |
| Kappa Coefficient · ពិសោធន៍ | ៣០ នាទី |
| យុទ្ធសាស្ត្រយកគំរូ | ២៥ នាទី |
| ដែនកំណត់ · ឧទាហរណ៍ | ៤០ នាទី |
| សរុប | ១៨០ នាទី / ៣ ម៉ោង |
ខ. ការភ្ជាប់ទៅមេរៀនបន្ទាប់¶
យើងឥឡូវអាចធ្វើផែនទីគម្របដី និងវាយតម្លៃវាបានហើយ។ សំណួរបន្ទាប់៖ បើយើងមានផែនទីបែបនេះសម្រាប់ច្រើនឆ្នាំ តើយើងអាចប្រាប់បានទេថា អ្វីបានផ្លាស់ប្ដូរ?
សំណួរនេះនាំទៅ មេរៀនទី១៤៖ ការរកការផ្លាស់ប្ដូរ និងស៊េរីពេលវេលា។