प्रेसिजन, याद और F1-स्कोर महत्वपूर्ण मीट्रिक हैं जो एनएलपी वर्गीकरण मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उपयोग किए जाते हैं। वे यह समझने में मदद करते हैं कि कैसे एक मॉडल विभिन्न वर्गों की भविष्यवाणी करता है, खासकर असंतुलित डेटासेट में।

प्रेसिजन को समझना

प्रेसिजन मॉडल द्वारा किए गए सभी सकारात्मक भविष्यवाणियों के बीच वास्तविक सकारात्मक भविष्यवाणियों के अनुपात को मापता है। यह इंगित करता है कि पूर्वानुमानित सकारात्मक मामलों में से कितने वास्तव में सकारात्मक हैं।

Recall

Recall, जिसे संवेदनशीलता भी कहा जाता है, वास्तविक सकारात्मक मामलों के अनुपात को मापता है जो मॉडल द्वारा सही ढंग से पहचाने जाते हैं। यह सकारात्मक उदाहरणों का पता लगाने की मॉडल की क्षमता को दर्शाता है।

F1-स्कोर की गणना

F1-score सटीक और याद का हार्मोनिक अर्थ है। यह एक एकल मीट्रिक प्रदान करता है जो दोनों को संतुलित करता है, खासकर तब उपयोगी होता है जब वर्ग वितरण असमान होता है।

उदाहरण Calculation

मान लीजिए कि एक मॉडल 80 सकारात्मक मामलों की भविष्यवाणी करता है, जिनमें से 60 सही हैं। कुल वास्तविक सकारात्मक मामले 70 हैं। गणना इस प्रकार है:

  • प्रेसिजन:] 60/80 = 0.75
  • Recall: 60/70 ≈ 0.857
  • F1-Score: 2 * (0.75 * 0.857) / (0.75 + 0.857) ≈ 0.80)