اعدادوشمار میں درج کلاسوں کی تقسیم کا عمل بہت زیادہ متاثر ہوتا ہے اور یہ بات واضح طور پر سمجھنے کے نمونے پر اثرانداز ہو سکتی ہے جس کی وجہ سے یہ صحیح طور پر پیشینگوئیوں کی تصدیق کرتی ہے اور کمازکم کم کلاسوں کیلئے درست ثابت ہوتی ہے ۔
معلومات کو سمجھنا
مثال کے طور پر ، فریببازی میں ، رشوتستانی کو جائز لوگوں سے تشبیہ دی جاتی ہے ۔
اسکے بعد ، اس نے ایک خاص قسم کی بیماری کو ختم کر دیا ۔
ڈیٹا کی عدم موجودگی کا اندازہ لگانے کے لیے کہ ایک ماڈل پر کیسے اثر انداز ہوتا ہے، کئی میٹرک استعمال کیے جا سکتے ہیں:
- ایککرنسی: مے ناقابل یقین اعداد و شمار میں گمراہ ہو جاتی ہے، جیسا کہ اعلیٰ درست اکثریتی جماعت کی ہمیشہ پیشگوئی کرتے ہوئے حاصل کیا جا سکتا ہے۔
- پریمیئر اور یادو: [1] ماڈل کی صلاحیت کو مدنظر رکھتے ہوئے مثبت معاملات کی شناخت کرنے کی صلاحیت کو پیش کرتا ہے۔
- F1 سکور: کومبینوں کو منظم کرنے اور ایک متوازن پیمائش دینے کے لیے یاد کرنے کے لیے.
- ROC-AUC: مڈل کی صلاحیت کو آپس میں فرق کرنے کی صلاحیت کو ناپتا ہے۔
اسپنج کو جوڑ کر رکھ دیں
ڈیٹا کی عدم موجودگی کے اثر کو کم کرنے کے لیے ایک طریقہ یہ ہے کہ متوازن طور پر ناقابل استعمال ڈیٹا سیٹوں پر ماڈل کی کارکردگی کا موازنہ کریں۔ کرناٹک میں شامل ہیں:
- اس طرح کے طریقوں کا اطلاق کرنا جیسے کہ زیادہتر لوگوں یا نیچے والے فارمنگ کرنا ۔
- ہم جنس پرست اعداد و شمار کی نسل کو استعمال کرتے ہوئے
- میٹرک کرنے سے پہلے اور پھر تکنیکوں کو درست کرنے کے بعد.
- اِس کے علاوہ ، اُس نے اپنے بچوں کو بھی یہ تعلیم دی کہ وہ اُن کے ساتھ مل کر اُن کی بات سنیں ۔
ان میٹرکس کو ناپنے سے ، ماہرین اندازہ لگا سکتے ہیں کہ ان غیرمعمولی اثرات کی بابت کیا ہے اور کسقدر مناسب متضاد معلومات کا تعیّن کر سکتے ہیں ۔