गहन सीखने के मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उनकी प्रभावशीलता और विश्वसनीयता को समझने के लिए आवश्यक है। क्वांटिटेटिव विधियां उद्देश्य मीट्रिक प्रदान करती हैं जो मॉडल की तुलना में मदद करती हैं और विशिष्ट कार्यों के लिए उनके प्रदर्शन को अनुकूलित करती हैं।

सामान्य प्रदर्शन मीट्रिक

कई मीट्रिक का उपयोग गहरे शिक्षण मॉडल का आकलन करने के लिए किया जाता है, विशेष रूप से वर्गीकरण और प्रतिगमन कार्यों में। ये मीट्रिक यह निर्धारित करते हैं कि डेटा की भविष्यवाणी कितनी अच्छी तरह से होती है या फिट होती है।

वर्गीकरण के लिए मूल्यांकन मीट्रिक

वर्गीकरण कार्यों के लिए, आम मेट्रिक्स में सटीकता, परिशुद्धता, याद और F1 स्कोर शामिल हैं। ये मीट्रिक मॉडल की भविष्यवाणी क्षमता के विभिन्न पहलुओं का मूल्यांकन करते हैं।

सटीकता

सटीकता कुल भविष्यवाणियों से बाहर सही भविष्यवाणियों के अनुपात को मापती है। यह सबसे उपयोगी है जब वर्ग संतुलित होते हैं।

प्रेसिजन और याद

प्रेसिजन सभी सकारात्मक भविष्यवाणियों के बीच वास्तविक सकारात्मक भविष्यवाणियों के अनुपात को इंगित करता है, जबकि याद करते हुए वास्तविक सकारात्मकता के अनुपात को सही ढंग से पहचाना जाता है।

F1 स्कोर

F1 स्कोर सटीक को जोड़ती है और एक मीट्रिक में वापस आती है, विशेष रूप से जब कक्षा असंतुलित होती है तो संतुलित माप प्रदान करती है।

Regression के लिए मेट्रिक्स का मूल्यांकन

Regression मॉडल का मूल्यांकन मीट्रिक का उपयोग करके किया जाता है जो भविष्यवाणी और वास्तविक मूल्यों के बीच अंतर को मापता है। आम मीट्रिक में मीन एब्सलूट त्रुटि (MAE), मीन स्क्वायर त्रुटि (MSE), और R-वर्ग शामिल हैं।

मीन निरपेक्ष त्रुटि (MAE)

एमएई भविष्यवाणी और वास्तविक मूल्यों के बीच औसत पूर्ण अंतर की गणना करता है, जो औसत भविष्यवाणी त्रुटि को दर्शाता है।

मीन स्क्वायर त्रुटि (MSE)

MSE औसत वर्गीय अंतर को मापता है, जो MAE से अधिक बड़ी त्रुटियों को दंडित करता है।

R-वर्ग

R-वर्गीय मॉडल द्वारा समझाया गया डेटा में भिन्नता के अनुपात को इंगित करता है, जिसमें 1 के करीब मान बेहतर फिट होते हैं।

क्रॉस-वैलिडीशन तकनीक

क्रॉस-वैलिडेशन विधियां, जैसे कि k-fold क्रॉस-वैलिडेशन, कई बार प्रशिक्षण और परीक्षण सेट में डेटा को विभाजित करके मॉडल की सामान्यीकरण क्षमता का आकलन करने में मदद करती हैं।

यह दृष्टिकोण ओवरफिटिंग को कम करता है और विभिन्न डेटा सबसेटों में मॉडल प्रदर्शन का अधिक विश्वसनीय अनुमान प्रदान करता है।