पर्यवेक्षण वर्गीकरण समस्याओं में, एक मॉडल के प्रदर्शन का मूल्यांकन करना आवश्यक है। परिशुद्धता, याद करने और F1 स्कोर जैसे मीट्रिक विभिन्न वर्गों की भविष्यवाणी करते हैं। इन मीट्रिकों की गणना कैसे करें, यह समझने के लिए कि कैसे प्रभावी ढंग से मॉडल चुनने और ट्यूनिंग में मदद करता है।

प्रेसिजन

प्रेसिजन सकारात्मक भविष्यवाणियों के अनुपात को मापता है जो सही हैं। इसकी गणना वास्तविक सकारात्मकताओं की संख्या और झूठे सकारात्मकता के योग से की जाती है।

परिशुद्धता के लिए सूत्र है:

प्रेसिजन = True सकारात्मक / (ट्रू पॉजिटिव + झूठी सकारात्मक)

याद रखें

Recall, जिसे संवेदनशीलता भी कहा जाता है, वास्तविक सकारात्मकता के अनुपात को मापता है जो सही ढंग से पहचाने जाते हैं। इसे वास्तविक सकारात्मक और झूठे नकारात्मक राशि के योग से विभाजित वास्तविक सकारात्मकता की संख्या के रूप में गणना की जाती है।

याद रखने का सूत्र है:

Recall = True सकारात्मक / (True सकारात्मक + झूठी नकारात्मक)

F1 स्कोर

F1 स्कोर सटीक को जोड़ती है और अपने हार्मोनिक अर्थ की गणना करके एक मीट्रिक में वापस आती है। यह एक संतुलित माप प्रदान करता है, खासकर जब वर्ग वितरण असमान होता है।

F1 स्कोर के लिए सूत्र है:

F1 स्कोर = 2 * (प्रेसिजन * Recall) / (प्रेसिजन + Recall)

सारांश

  • प्रेसिजन सकारात्मक भविष्यवाणियों की सटीकता को इंगित करता है।
  • याद रखें कि सभी सकारात्मक उदाहरणों की पहचान करने की क्षमता को मापता है।
  • F1 स्कोर सटीक संतुलन और एक मीट्रिक में वापस लौटते हैं।