Время науки - The Times of Science

Жуков Р.А. Zhukov R.A. 2025 27 Нейронные сети успешно применяются для решения задач обеспечения безопасности дорожного движения. Например, они используются для распознавания и классификации объектов на дороге (автомобилей, пешеходов, дорожных знаков и т. д.), для обнаружения и предсказания аварийных ситуаций, для управления транспортным потоком и многое другое. Для оценки эффективности программного решения на основе нейронных сетей можно использовать различные метрики, такие как точность распознавания объектов на дороге, скорость обработки видеопотока, количество ложных срабатываний и пропусков, а также время реакции на аварийные ситуации. Чтобы оценить преимущества и недостатки нейронных сетей, можно провести сравнение с другими методами решения задач обеспечения безопасности дорожного движения. В контексте машинного обучения точность указывает на количество положительных прогнозов (рис. 3) Рис. 3. Точность – precision, полнота – recall В данной формуле точность определяется как количество истинно положительных прогнозов, деленное на общее количество положительных прогнозов (истинно положительные результаты + ложноположительные результаты). Оценка F1 является важнейшим показателем в машинном обучении, это обеспечивает сбалансированную оценку точности и отзывчивости модели (рис. 4). Формула оценки F1 получена как среднее гармоническое от точности и отзыва, что делает ее важным компонентом в оценке F1 с точным воспроизведением фреймворка. Этот показатель особенно полезен в сценариях, где распределение классов не сбалансировано. Рис. 4. Формула F1