Table of Contents
पर्यवेक्षण शिक्षा में लेबल डेटा के आधार पर भविष्यवाणियों को बनाने के लिए प्रशिक्षण मॉडल शामिल हैं। इन मॉडलों के प्रदर्शन का मूल्यांकन करने के लिए विभिन्न सटीकता और त्रुटि मीट्रिक की गणना की आवश्यकता होती है। ये मीट्रिक यह निर्धारित करने में मदद करते हैं कि कैसे अच्छी तरह से मॉडल परिणामों की भविष्यवाणी करता है और सुधार के लिए क्षेत्रों की पहचान करता है।
भविष्यवाणी सटीकता को समझना
भविष्यवाणी सटीकता मॉडल द्वारा बनाई गई सही भविष्यवाणियों के अनुपात को मापती है। यह आमतौर पर वर्गीकरण कार्यों के लिए उपयोग किया जाता है जहां परिणाम श्रेणीबद्ध होते हैं। उच्च सटीकता बेहतर मॉडल प्रदर्शन को इंगित करती है।
सटीकता की गणना करने के लिए, भविष्यवाणियों की कुल संख्या द्वारा सही भविष्यवाणियों की संख्या को विभाजित करें:
Accuracy = (Currect भविष्यवाणियों की संख्या) / (कुल भविष्यवाणियां)
सामान्य त्रुटि मीट्रिक
प्रतिगमन कार्यों के लिए, जहां भविष्यवाणियां निरंतर मान हैं, त्रुटि मीट्रिक भविष्यवाणी और वास्तविक मूल्यों के बीच अंतर को निर्धारित करते हैं। आम मीट्रिक में मीन एब्सलूट त्रुटि (MAE), मीन स्क्वायर त्रुटि (MSE), और रूट मीन स्क्वायर त्रुटि (RMSE) शामिल हैं।
इन मेट्रिक्स की गणना निम्नानुसार की जाती है:
- MAE: भविष्यवाणी और वास्तविक मूल्यों के बीच पूर्ण अंतर का औसत।
- MSE: भविष्यवाणी और वास्तविक मूल्यों के बीच वर्गीय मतभेदों का औसत।
- RMSE:] MSE का स्क्वायर रूट, मूल इकाइयों में त्रुटि प्रदान करता है।
इन मीट्रिकों के लिए कम मान बेहतर मॉडल प्रदर्शन को इंगित करते हैं।
अभ्यास में मीट्रिक को लागू करना
अधिकांश मशीन लर्निंग पुस्तकालयों को आसानी से इन मीट्रिकों की गणना करने के लिए कार्य प्रदान करते हैं। उदाहरण के लिए, पायथन के स्किकिट-लर्न लाइब्रेरी में, , , और ]] जैसे कार्यों का उपयोग आमतौर पर किया जाता है।
यह महत्वपूर्ण है कि कार्य प्रकार-वर्गीकरण या प्रतिगमन के आधार पर उपयुक्त मीट्रिक का चयन करें-और मॉडल मूल्यांकन के विशिष्ट लक्ष्य।