如今很多人喜欢玩抖音、快手小视频等等，其可以根据自身的喜好来精准筛选视频等，那么精准度该如何测试呢？其实精准度就是个概率值，就像抖音那种推荐系统通常是根据人工智能分类算法来实现的，而分类算法中有个AUG指标可以精准的衡量出概率值的大小评测是否合适，今天软件测试网为大家介绍一下人工智能中的概率值大小该怎么进行测试：  

一、了解TPR与FPR指标  

·目标  
了解TPR与FPR的定义以及作用  
·步骤  
1.了解AI模型分类算法的4个关键定义  
TP:抖音推荐的视频确实是用户想要的视频  
TN:抖音没推荐的视频确实是用户不想要的视频  
FP:抖音推荐的视频是用户不想要的视频  
FN:抖音没推荐的视频是用户想要的视频  
2.了解TPR和FPR的公式  
TPR=TP/(TP+FN)FPR=FP/(FP+TN)3.TPF和FPR的作用  

分别用于衡量推荐精准度图形的横纵坐标  

二、了解SOC以及AUC  

·目标  
掌握SOC、AUC的定义以及作用  
·步骤  
1.SOC曲线图的定义  
ROC曲线的横轴就是上面提到的FPR，纵轴就是上面提到的TPR，其图形如下图蓝色线段所示：  
越接近于左上角表示衡量的概率值越合理  
2.AUC指标  
•AUC的概率意义是随机取一对用户喜欢的视频和用户不喜欢的抖音视频，将用户喜欢的视频优先于用户不喜欢的视频进行推送的概率值，因此这个值越大越好  
•从几何意义上看AUC就代表SOC曲线的面积。代表了系统将用户喜欢的视频按照概率值从大大小进行排序的分类能力，因此AUC可以很好的衡量公司开发的推荐系统推荐的概率值也就是精准度是否合理  
软件测试网总结：从界面上是看不出来哪个视频推荐给用户的概率值应该是更高的，而通过实现推荐系统的分类算法自带的AUC指标进行衡量可以很好的评测这个概率值，同时这个概率值的评测往往也是推荐系统的测试重点和难点。  
以上就是软件测试网为大家介绍的关于人工智能中的概率值大小该怎么进行测试的内容，望对大家有一定的帮助，如需了解更多软件测试相关内容，请阅读本站其他文章。