ان کی عملی اور قابل اعتماد کارکردگی کو سمجھنے کے لیے گہری سیکھنے کے ماڈلز کو اجاگر کرنا بہت ضروری ہے۔کم عمر کے طریقوں سے ایسے مراکز مہیا کیے جاتے ہیں جو ماڈلوں کا موازنہ کرنے اور ان کی کارکردگی کو مخصوص کاموں کے لیے اجاگر کرنے میں مدد دیتے ہیں۔

عام پرفارمنس میٹرکس

کئی میٹرکس کو گہری سیکھنے کے ماڈلوں کا جائزہ لینے کے لیے استعمال کیا جاتا ہے، خاص طور پر کلاسکی اور ان کی مدد سے یہ میٹرکس کو قابل ذکر کرتے ہیں کہ ایک ماڈل کی پیشینگوئی کتنی اچھی طرح سے ہوتی ہے یا ڈیٹا پر بھی۔

کلاس روم کے لیے میٹرکس

کلاسکیشن کے کاموں کے لیے عام میٹرکز میں درستی، غیر درستی، یاد دہانی اور ایف1 سکور شامل ہیں۔یہ میٹرکز ماڈل کی پیشگوئیی صلاحیت کے مختلف پہلوؤں کا تجزیہ کرتے ہیں۔

ایک اہم سبق

جب کلاسوں کو متوازن بنایا جاتا ہے تو صحیح پیشینگوئیوں کے مطابق درست ہونے کا اندازہ لگانا بہت فائدہ‌مند ہوتا ہے ۔

پہلے سے زیادہ ذمہ‌داری اور یاد رکھنا

( ب ) ہم اِس بات پر کیسے یقین رکھ سکتے ہیں کہ خدا ہماری مدد کرے گا ؟

ایف1 سکور

ایف‌1 سکور ایک دوسرے کو ایک ہی میٹرک میں ملاتی ہے اور یاد رکھتی ہے کہ جب کلاسوں کو غیرضروری طور پر پورا کِیا جاتا ہے تو وہ ایک متوازن توازن فراہم کرتی ہیں ۔

رجسٹریشن کے لیے میٹرکس کا انعقاد

ری ایکٹر ماڈلز کو میٹرک استعمال کرتے ہوئے ایسے مرکبات استعمال کیے جاتے ہیں جن سے پیشینگوئی اور حقیقی اقدار کے فرق کا اندازہ ہوتا ہے۔عام میٹرکس میں غیر مطلوبہ غیر مطلوبہ خامی (MAE)، ایم ایس اے (MSE)، اور R-squared شامل ہیں۔

بنیادی طور پر خامی (MAE)

ذرا سوچیں کہ یہ پیشینگوئی کیسے پوری ہوئی ۔

مصدر مصدر غلطی (MSE)

اس بات کا اندازہ لگانے کیلئے کہ یہ کتنا بڑا مسئلہ ہے ، یہ میری‌اے سے بھی زیادہ سنگین غلطی کرنے والے ہیں ۔

آر-س-کے رقبے پر

آر- مربعڈ نے نمونے کی جانب سے بیان کردہ ڈیٹا میں فرق کی مقدار کو ظاہر کیا ہے، جس میں اقدار کے قریب 1 سے زیادہ بہتر مناسب نمائندگی کرتے ہیں۔

کراس-ویلیشن ٹیکنیکلس

کراس-مسائزڈ طریقہ کار، جیسے کہ K-warwar-conferation،، ڈیٹا کو تربیت میں تقسیم کرکے اور امتحان میں کئی بار ماڈلز کی عام صلاحیت کا تجزیہ کرنے میں مدد دیتے ہیں۔

یہ طریقہ کار زیادہ تر انفنٹری کم کرتا ہے اور مختلف ڈیٹا صوبوں میں ماڈلنگ کے بارے میں زیادہ قابل اعتماد اندازہ فراہم کرتا ہے۔