Table of Contents
मॉडल सटीकता मशीन लर्निंग मॉडल के प्रदर्शन का मूल्यांकन करने में एक महत्वपूर्ण मीट्रिक है। यह मापता है कि कैसे अक्सर मॉडल की भविष्यवाणियां वास्तविक परिणामों से मेल खाती हैं। विभिन्न मीट्रिक और विधियों को समझना विशिष्ट कार्यों के लिए सर्वश्रेष्ठ मॉडल का चयन करने में मदद करता है।
सटीकता को समझना
सटीकता की कुल संख्या की भविष्यवाणियों को सही भविष्यवाणियों का अनुपात है। यह गणना करना सरल है और डेटा वर्गों के संतुलित होने पर सबसे प्रभावी है। हालांकि, यह असंतुलित डेटासेट के मामलों में भ्रामक हो सकता है जहां एक वर्ग प्रमुख होता है।
मॉडल मूल्यांकन के लिए आम मीट्रिक
सटीकता के अलावा, अन्य मीट्रिक मॉडल प्रदर्शन का अधिक व्यापक मूल्यांकन प्रदान करते हैं:
- प्रेसिजन:] सभी सकारात्मक भविष्यवाणियों के बीच सही सकारात्मक भविष्यवाणियों का अनुपात।
- Recall: सभी वास्तविक सकारात्मक से पहचाने गए वास्तविक सकारात्मक का अनुपात।
- F1 स्कोर: परिशुद्धता और याद का हार्मोनिक मतलब, दोनों मीट्रिक संतुलन।
- Confusion मैट्रिक्स: एक तालिका में वास्तविक सकारात्मक, झूठे सकारात्मक, सच्चे नकारात्मक और झूठे नकारात्मक दिखाई देते हैं।
सटीकता की गणना करने के तरीके
सटीकता की गणना में भविष्यवाणियों की कुल संख्या द्वारा सही भविष्यवाणियों की संख्या को विभाजित करना शामिल है।
- Holdout Validation: प्रशिक्षण और परीक्षण सेट में डेटा विभाजन।
- Cross-Validation: विभिन्न सबसेट्स में मॉडल को मान्य करने के लिए कई गुना में डेटा विभाजित करना।
- Bootstrapping: मॉडल प्रदर्शन का अनुमान लगाने के प्रतिस्थापन के साथ नमूनाकरण।