यह समझना कि प्रभावी एल्गोरिदम विकसित करने के लिए मशीन लर्निंग मॉडल का मूल्यांकन कैसे किया जाए। दो आम मीट्रिक सटीकता और परिशुद्धता हैं। ये मीट्रिक यह निर्धारित करने में मदद करते हैं कि कैसे एक दिए गए डेटासेट पर एक मॉडल अच्छा प्रदर्शन करता है।

क्या है?

सटीकता सभी भविष्यवाणियों से बाहर मॉडल द्वारा बनाई गई सही भविष्यवाणियों के अनुपात को मापती है। इसकी गणना भविष्यवाणियों की कुल संख्या से सही भविष्यवाणियों की संख्या को विभाजित करके की जाती है।

सटीकता के लिए सूत्र है:

Accuracy = (Currect भविष्यवाणियों की संख्या) / (कुल भविष्यवाणियां)

जब डेटासेट में संतुलित कक्षाएं होती हैं तो सटीकता उपयोगी होती है, लेकिन यह भ्रामक हो सकता है कि कक्षाएं असंतुलित हैं।

क्या है मॉडल प्रेसिजन?

प्रेसिजन मॉडल द्वारा किए गए सभी सकारात्मक भविष्यवाणियों से वास्तविक सकारात्मक भविष्यवाणियों के अनुपात को मापता है। यह इंगित करता है कि पूर्वानुमानित सकारात्मक मामलों में से कितने वास्तव में सकारात्मक हैं।

परिशुद्धता के लिए सूत्र है:

प्रेसिजन = (ट्रू पॉजिटिव्स) / (ट्रू पॉजिटिव्स + झूठे पॉजिटिव्स)

उच्च परिशुद्धता का मतलब है कि जब मॉडल सकारात्मक की भविष्यवाणी करता है, तो यह आमतौर पर सही होता है। यह परिदृश्यों में विशेष रूप से महत्वपूर्ण है जहां झूठे सकारात्मक खर्चे होते हैं।

इन मेट्रिक्स को कैसे गणना करें

सटीकता और सटीकता की गणना करने के लिए, आपको भ्रम की स्थिति की आवश्यकता होती है, जो भविष्यवाणी के परिणामों को चार श्रेणियों में संक्षेपित करती है: सच सकारात्मक, सच्चे नकारात्मक, झूठे सकारात्मक और झूठे नकारात्मक।

एक बार जब आपके पास ये मान होते हैं, तो उन्हें मीट्रिकों की गणना करने के लिए सूत्रों में प्लग करें। कई मशीन लर्निंग पुस्तकालयों, जैसे कि स्किकिट-लर्न, सटीकता और सटीकता की गणना करने के लिए कार्य प्रदान करते हैं।

  • संलयन मैट्रिक्स
  • True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, True, and ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू, ट्रू,
  • झूठी सकारात्मक (FP)
  • सच नकारात्मक (TN)
  • झूठी नकारात्मक (FN)