غالبًا سیکھنے کے عمل میں مشین سیکھنے کا طریقہ بہت زیادہ استعمال ہوتا ہے جس میں معلوماتی ڈیٹا پر تربیتی ماڈل شامل ہوتے ہیں ۔

حد سے زیادہ کھانے اور کھانے پینے کی چیزیں

جب کوئی ماڈل تربیتی ڈیٹا کو اچھی طرح جانتا ہے، جس میں شور بھی شامل ہے، نئے ڈیٹا پر غریب عمومی کو جنم دیتا ہے۔

مثال کے طور پر ، تربیتی غلطی کا موازنہ [TT] اور درست غلطی (EFLT:2] [E] [E] سے زیادہ [E] کر سکتے ہیں اگر E(FLT:4] [FLT] [FLT] جبکہ [FLT] [T] [T] [T] [TTT] [TT]] [T]] [TT]] پر سب سے اوپر غلطی کی گئی ہے۔

کلاسوں میں مہارت

کلاسوں میں فرق اُس وقت ہوتا ہے جب کچھ کلاسوں کو ڈیٹا‌وسٹ میں کم‌ازکم کچھ نہیں ہوتا ۔

فرض کریں کہ اعدادوشمار میں 1000 کی تعداد ہے ، جس میں 900 کلاس اے اور 100 سے کلاس بی تک کی شرحیں ہیں:

کلاس اے: (900/1000) * 100 = 90%

کلاس بی: (1100/1000) * 100 = 10%

ماڈل پروڈیوس کرنا

میٹرک جیسے درست، قابل ذکر، یاد دہانی اور ایف اے1 سکور ماڈل کارکردگی کا تجزیہ کرنے کے لیے ضروری ہے. Calculations میں پیچیدگی کے اجزاء شامل ہیں:

  • حقیقی مثبت ( ٹی پی )
  • غلط مثبت ( ایف پی )
  • غلط منفی (FN)

مثلاً، غیر معمولی طور پر حساب لگایا جاتا ہے:

پریفیکچر = TP / (TP + FP)

دستی طور پر دستیاب معلومات

نوسی ڈیٹا ماڈل ٹریننگ کو تبدیل کر سکتا ہے. کیلکشن جیسے شور-پاہج شرح (sugh-to-signal rate) ڈیٹا کی کیفیت کو تناسب دینے میں مدد دیتا ہے۔

فرض کریں کہ اعدادوشمار میں 100 کی تعداد 1000 کے لگ بھگ ہے. شور کی شرح یہ ہے:

زلزلے کی روک تھام = (مخصوف (مخصوف) / (تطال النبلاء) = 100 / 1000 = 0.1 یا 10%