قدرتی زبان کی کارکردگی (NLP) کے کاموں میں زبان کے ماڈلز کی کارکردگی کو بہتر بنانے میں میٹرکس کا اندازہ لگانا شامل ہے جیسے کہ قابل ذکر اور یاد رکھنا۔ یہ میٹرکس اس بات کا تعین کرنے میں مدد کرتے ہیں کہ ایک ماڈل متعلقہ معلومات کس طرح درست کرتا ہے اور اس میں کس قدر وسیع پیمانے پر گرفت کی جاتی ہے۔

پُختہ اور یاد رکھیں

اسکے برعکس ، یاد رکھیں کہ نمونے کی تمام مثبت پیشینگوئیوں میں حقیقی مثبت پیشینگوئیوں کے توازن کا اندازہ لگایا گیا ہے ۔

پُختہ اور یاد رکھنے کیلئے درکار اقدام

ان میٹرکس کو ناپنے کے لیے ماڈل کی پیش گوئیوں کا موازنہ ایک مصدقہ ڈیٹا سیٹ کے خلاف۔ کیلکیٹ سچ مثبت (ٹی پی)، جھوٹی مثبت (ایف پی) اور جھوٹے منفی (ایف پی)، (ایف این)، فارمولے استعمال کریں:

پریفیکچر = TP / (TP + FP)

یاد = TP / (TP + FN)

ترقی‌پذیر کاموں کی حوصلہ‌افزائی کریں

یاد رکھنا اور یاد رکھنا کئی قریبی ہے:

  • ] عطاتا رتیس: وسیع ڈیٹا سیٹ حجم میں مختلف مثالوں کے ساتھ ساتھ مختلف مثالوں کے ساتھ.
  • Madiel Tuning: بہتر درستی کے لیے تیز رفتار ہائیپرمیٹرز.
  • Feture engineering:]] پیشگی پیشگی ہدایات کو بہتر بنانے کے لیے متعلقہ خصوصیات میں شامل کرنا۔
  • Handling کلاس غیر فعال: []، استعمال کرنے والی تکنیکیں جیسے کہ توپلنگ یا زیریں سملنگ۔
  • تبدیل شدہ ترمیم: غیر فعال فیصلے کی حدود توازن اور یاد میں توازن قائم کرنے کے لئے.