पर्यवेक्षण सीखने के मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उनकी प्रभावशीलता को समझने के लिए आवश्यक है। विभिन्न मीट्रिकों का उपयोग यह मापने के लिए किया जाता है कि कैसे अच्छी तरह से एक मॉडल लेबल डेटा के आधार पर परिणामों की भविष्यवाणी करता है। ये मीट्रिक मॉडल की तुलना करने और किसी विशिष्ट कार्य के लिए सर्वश्रेष्ठ एक का चयन करने में मदद करते हैं।

सामान्य प्रदर्शन मीट्रिक

कई मीट्रिक व्यापक रूप से पर्यवेक्षण सीखने के मॉडल का आकलन करने के लिए उपयोग किए जाते हैं। मीट्रिक की पसंद इस तरह के वर्गीकरण या प्रतिगमन के रूप में समस्या के प्रकार पर निर्भर करती है। इन मीट्रिकों को समझना मॉडल परिणामों की बेहतर व्याख्या की अनुमति देता है।

वर्गीकरण के लिए मीट्रिक

वर्गीकरण कार्यों में, सामान्य मीट्रिक में सटीकता, परिशुद्धता, याद और F1 स्कोर शामिल हैं। ये मीट्रिक वर्ग लेबल की सही भविष्यवाणी करने के लिए मॉडल की क्षमता के विभिन्न पहलुओं का मूल्यांकन करते हैं।

सटीकता

सटीकता कुल भविष्यवाणियों से बाहर सही भविष्यवाणियों के अनुपात को मापती है। यह निम्नानुसार गणना की जाती है:

Accuracy = (True सकारात्मक + True नेगेटिव) / कुल भविष्यवाणियों

प्रेसिजन और याद

प्रेसिजन सकारात्मक भविष्यवाणियों के अनुपात को इंगित करता है जो सही हैं, जबकि याद करते हैं कि वास्तविक सकारात्मक के अनुपात को सही ढंग से पहचाना जाता है। उन्हें इस प्रकार गणना की जाती है:

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

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

Regression के लिए मीट्रिक

Regression मॉडल का मूल्यांकन औसत निरपेक्ष त्रुटि (MAE), मीन स्क्वायर त्रुटि (MSE), और R-वर्गीय जैसे मीट्रिकों का उपयोग करके किया जाता है। ये मीट्रिक भविष्यवाणी और वास्तविक निरंतर मूल्यों के बीच अंतर को मात्रा में बदल देते हैं।

मीन निरपेक्ष त्रुटि (MAE)

एमएई भविष्यवाणी और वास्तविक मूल्यों के बीच औसत पूर्ण अंतर की गणना करता है:

MAE = Σ, भविष्यवाणी - Actual | / भविष्यवाणियों की संख्या

R-वर्ग

R-वर्गीय मॉडल द्वारा समझाया गया आश्रित चर में भिन्नता के अनुपात को इंगित करता है। यह 0 से 1 तक है, जिसमें बेहतर फिट होने का संकेत मिलता है।

ये मीट्रिक पर्यवेक्षण सीखने के कार्यों में मॉडल प्रदर्शन का आकलन और तुलना करने के लिए एक मात्रात्मक आधार प्रदान करते हैं।