Table of Contents
मशीन लर्निंग मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उनकी प्रभावशीलता को समझने के लिए आवश्यक है। पर्यवेक्षण में, सटीकता, परिशुद्धता और याद जैसे मीट्रिक का उपयोग आमतौर पर यह मापने के लिए किया जाता है कि कैसे अच्छी तरह से एक मॉडल परिणामों की भविष्यवाणी करता है।
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।
जबकि सटीकता उपयोगी है, यह असंतुलित डेटासेट में भ्रामक हो सकता है जहां एक वर्ग हावी है। ऐसे मामलों में, अन्य मीट्रिक मॉडल प्रदर्शन में बेहतर अंतर्दृष्टि प्रदान करते हैं।
प्रेसिजन और याद
प्रेसिजन मॉडल द्वारा किए गए सभी सकारात्मक भविष्यवाणियों के बीच वास्तविक सकारात्मक भविष्यवाणियों के अनुपात को इंगित करता है। यह मॉडल की क्षमता को दर्शाता है ताकि झूठे सकारात्मकता से बच सके।
Recall, जिसे संवेदनशीलता भी कहा जाता है, मॉडल द्वारा सही ढंग से पहचाने गए वास्तविक सकारात्मक के अनुपात को मापता है। यह दिखाता है कि कैसे अच्छी तरह से मॉडल सकारात्मक मामलों का पता लगाता है।
मेट्रिक्स की गणना
ये मीट्रिक भ्रम मैट्रिक्स से उत्पन्न होते हैं, जो सच्चे सकारात्मक (टीपी), झूठे सकारात्मक (एफपी), सच्चे नकारात्मक (टीएन), और झूठे नकारात्मक (एफएन) को संक्षेप में प्रस्तुत करते हैं।
सूत्र:
- Accuracy: (TP + TN) / (TP + FP + TN + FN)
- प्रेसिजन:] TP / (TP + FP)
- Recall: TP / (TP + FN)