مشین سیکھنے کے ماڈلوں کی کارکردگی کو حقیقی دنیا کے اطلاق میں ان کی افادیت کو سمجھنے کے لیے ضروری ہے. صحیح میٹرکز طاقت اور کمزوریوں کی شناخت کرنے، بہتری اور اصلاحی فیصلوں کی رہنمائی کرنے میں مدد کرتے ہیں۔
عام پرفارمنس میٹرکس
کئی میٹرکس استعمال کیے جاتے ہیں جو ماڈل کی کارکردگی کا تجزیہ کرتے ہوئے کام کی نوعیت کے مطابق ہوتے ہیں۔کلکشن کے مسائل، درستی، درستی، یاد دہانی اور ایف اے 1 سکور کے لیے اکثر استعمال ہوتے ہیں۔
کلاس روم کے میٹرکز کے لیے کلکٹرز
مریخی مرکبات بہت سے کلاسکیشن میٹرکس کی بنیاد بناتے ہیں ۔وہ حقیقی مثبتات (ٹی پی) ، جھوٹی مثبت (ایف پی) ، سچ مثبت (ٹی این) اور جھوٹے منفی (ٹی این) پر مشتمل ہوتے ہیں ۔
[Accuray = (TP + TN) / (TP + FP + TN + FN + FN + FN)]]۔
پرویز مشرف مثبت شناختوں کی پیمائش کرتے ہیں جو درست تھے:
[Prescription = TP / (TP + FP)
یاد رہے کہ حقیقی مثبتات کی صحیح شناخت کی گئی ہے:
[TN = TP / (TP + FN)
ری ایکٹر میٹرکس کے لیے کلکٹرز
رجسٹریشن میٹرکس حساب لگایا جاتا ہے کہ پیشینگوئی اور اصل اقدار کے درمیان فرق۔ بنیادی طور پر غیر مطلوبہ غلطی (MAE) کو حساب لگایا جاتا ہے:
]]MAE = Zann) * ⁇ y [1]] - - [i [حوالہ درکار] [ FLT:5]]]۔
Fomish Squared غلطی (MSE) بڑے غلطیوں پر زور دیتے ہیں:
[MSE = qin] * [y [1]] - [1][حوالہ درکار]]][2][FLT]]]]]] ایک بھارتی بالی وڈ اداکارہ ہے۔
آر-سورس نے نمونے کی جانب سے بیان کردہ فرقوں کے تناسب کو ظاہر کیا ہے:
[R] [2] = 1 - (SS [S] [SFLT:4] / SFLT:4] [SFLT:5]] [[FLT]]] ]]] میں ایک بھارتی کرکٹ اداکارہ ہے۔
کُنَّا
مناسب میٹرکس کو درست کرنا اس مسئلے اور مقاصد پر منحصر ہے. ان میٹرکس کے مناسب حساب اور تعبیر حقیقی-دنیا بھر میں مؤثر مشین سیکھنے کے ماڈل کو نکالنے کے لیے ضروری ہے۔