ریکٹر نیٹ ورک کی درستی کو مخصوص کاموں پر سمجھنے کے لیے ان کی کارکردگی کو سمجھنا بہت ضروری ہے۔ مختلف میٹرکس استعمال کیے جاتے ہیں تاکہ اندازہ لگایا جا سکے کہ ماڈل کی پیش گوئی یا کلاسفیس ڈیٹا کس طرح اچھی طرح سے کی جا سکتی ہے اس مضمون میں عام میٹرکس پر بحث کی گئی ہے اور یہ کیسے عملی طور پر ان کی کارکردگی ہے۔
ایک اہم سبق
اِس کی ایک وجہ تو یہ ہے کہ اِس میں درج پیشگوئیوں کی تعداد کو کم کرکے اِس کی صحیح معلومات کو درج کِیا گیا ہے ۔
کلاس روم کے کاموں کے لیے درستی ایک سیدھا میٹرک ہے، خاص طور پر جب کلاسوں میں متوازن ہو تو یہ اس طرح ہے:
[Acuray = (mber of Properience Prefecture) / (Total Presct)]۔
پریمیئر، یادو اور ایف1 سکور ہیں۔
یہ میٹرک خاص طور پر غیر فعال ڈیٹا سیٹوں کے لیے مفید ہوتے ہیں۔پریس مثبت پیشینگوئیوں کی درستی کا اندازہ کرتا ہے جبکہ یاد رہے کہ تمام مثبت واقعات کی تلاش میں صلاحیت کا اندازہ ہوتا ہے۔F1 سکور دونوں کو ایک اکائی میں ملا دیتا ہے۔
کلکٹر درج ذیل ہیں:
- [Prescription = سچ مثبت / (اصل مثبت مثبت مثبت مثبت)
- [حوالہ درکار = سچ مثبت / (اصل مثبت مثبت مثبت + منفی)]۔
- F1 سکور = 2 * (Prestrict * یادو) / (Prescription + ⁇ )]۔
عملی مشورت
عملی طور پر یہ میٹرکس پائیپ میں موجود لائبریریوں کا استعمال کرتے ہیں جیسے کہ اسٹیکیٹ-کریول-کریول-کریول-کلیشن حاصل کرنے کے بعد میٹرکس براہ راست لیبل اور شناختی لیبل پر مبنی اقدار کو خودبخود حساب انداز میں پیش کرتا ہے۔
مثلاً سکہ-سکھ کا استعمال کرتے ہوئے:
سے لیکر اسکاک.Metrics درآمدی تناسب score, score score, تذکرہ score, F1 score] ہے۔
[Accuray = درست score(y rescore, Y pred)
اسی طرح ، کامیابی ، یاد اور ایف1 سکور اپنے کردار سے متاثر ہوتے ہیں ۔