विशिष्ट कार्यों पर उनके प्रदर्शन को समझने के लिए तंत्रिका नेटवर्क की सटीकता का मूल्यांकन करना आवश्यक है। विभिन्न मीट्रिकों का उपयोग यह मापने के लिए किया जाता है कि कैसे अच्छी तरह से एक मॉडल डेटा की भविष्यवाणी या वर्गीकृत करता है। यह लेख सामान्य मीट्रिक पर चर्चा करता है और वे व्यावहारिक रूप से कैसे समझौता किए जाते हैं।

सटीकता

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

वर्गीकरण कार्यों के लिए, सटीकता एक सीधा मीट्रिक है, खासकर जब कक्षाएं संतुलित होती हैं। यह निम्नानुसार माना जाता है:

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

प्रेसिजन, Recall, और F1 स्कोर

ये मीट्रिक असंतुलित डेटासेट के लिए विशेष रूप से उपयोगी होते हैं। प्रेसिजन सकारात्मक भविष्यवाणियों की शुद्धता को मापती है, जबकि याद करते हैं कि सभी सकारात्मक उदाहरणों को खोजने की क्षमता को मापती है। F1 स्कोर दोनों को एक मीट्रिक में जोड़ती है।

गणना इस प्रकार हैं:

  • प्रेसिजन = True सकारात्मक / (ट्रू पॉजिटिव + झूठी सकारात्मक)
  • Recall = True सकारात्मक / (True सकारात्मक + झूठी नकारात्मक)
  • F1 स्कोर = 2 * (प्रेसिजन * Recall) / (प्रेसिजन + Recall)

प्रैक्टिकल कम्प्यूटेशन

अभ्यास में, इन मीट्रिकों को पाइथन में स्किकिट-लर्न जैसे पुस्तकालयों का उपयोग करके गणना की जाती है। तंत्रिका नेटवर्क से भविष्यवाणियों को प्राप्त करने के बाद, मीट्रिक कार्य स्वचालित रूप से वास्तविक लेबलों और पूर्वानुमानित लेबलों के आधार पर मूल्यों की गणना करते हैं।

उदाहरण के लिए, scikit-learn का उपयोग करना:

]sklearn.metrics से आयात सटीकता score, Precision score, remort score, f1 score]

accuracy = सटीकता score(y true, y pred)]

इसी तरह, परिशुद्धता, याद और F1 स्कोर को उनके संबंधित कार्यों के साथ गणना की जाती है।