ডেটা মাইনিং এ নির্ভুলতা এবং প্রত্যাহার কি?
ডেটা মাইনিং এ নির্ভুলতা এবং প্রত্যাহার কি?

যখন নির্ভুলতা আপনার ফলাফলের শতাংশকে বোঝায় যা প্রাসঙ্গিক, প্রত্যাহার আপনার অ্যালগরিদম দ্বারা সঠিকভাবে শ্রেণীবদ্ধ মোট প্রাসঙ্গিক ফলাফলের শতাংশ বোঝায়। অন্যান্য সমস্যার জন্য, একটি ট্রেড-অফ প্রয়োজন, এবং একটি সিদ্ধান্ত নিতে হবে যে সর্বোচ্চ করা হবে কিনা নির্ভুলতা , বা প্রত্যাহার.

উপরন্তু, স্পষ্টতা কি এবং উদাহরণ সহ প্রত্যাহার?

উদাহরণ এর যথার্থতা - স্মরণ করুন ক্লাসিফায়ার আউটপুট গুণমান মূল্যায়ন করার জন্য মেট্রিক। যথার্থতা - স্মরণ করুন যখন ক্লাসগুলি খুব ভারসাম্যহীন হয় তখন ভবিষ্যদ্বাণীর সাফল্যের একটি কার্যকর পরিমাপ। তথ্য উদ্ধারে, নির্ভুলতা ফলাফল প্রাসঙ্গিকতা একটি পরিমাপ, যখন প্রত্যাহার কতগুলি সত্যিকারের প্রাসঙ্গিক ফলাফল ফিরে এসেছে তার একটি পরিমাপ।

উপরের পাশাপাশি, আপনি কীভাবে ডেটা মাইনিংয়ে নির্ভুলতা এবং প্রত্যাহার গণনা করবেন? উদাহরণস্বরূপ, একটি নিখুঁত নির্ভুলতা এবং প্রত্যাহার স্কোর একটি নিখুঁত এফ-মেজার স্কোর তৈরি করবে:

  1. এফ-মেজার = (2 * যথার্থ * স্মরণ) / (নির্ভুলতা + স্মরণ)
  2. এফ-মেজার = (2 * 1.0 * 1.0) / (1.0 + 1.0)
  3. F- পরিমাপ = (2 * 1.0) / 2.0।
  4. F- পরিমাপ = 1.0।

এছাড়াও জানতে হবে, ডাটা মাইনিং এ নির্ভুলতা কি?

প্যাটার্ন স্বীকৃতি, তথ্য পুনরুদ্ধার এবং শ্রেণীবিভাগ (মেশিন লার্নিং), নির্ভুলতা (যাকে ইতিবাচক ভবিষ্যদ্বাণীমূলক মানও বলা হয়) হল পুনরুদ্ধার করা দৃষ্টান্তগুলির মধ্যে প্রাসঙ্গিক দৃষ্টান্তের ভগ্নাংশ, যখন প্রত্যাহার (সংবেদনশীলতা হিসাবেও পরিচিত) হল প্রাসঙ্গিক দৃষ্টান্তগুলির মোট পরিমাণের ভগ্নাংশ যা ছিল

কেন আমরা নির্ভুলতা ব্যবহার করি এবং স্মরণ করি?

যথার্থতা হল সত্য ইতিবাচক সংখ্যা এবং মিথ্যা ধনাত্মক সংখ্যা দ্বারা ভাগ করা সত্য ধনাত্মক সংখ্যা হিসাবে সংজ্ঞায়িত। যখন প্রত্যাহার একটি ডেটাসেটে সমস্ত প্রাসঙ্গিক উদাহরণ খুঁজে পাওয়ার ক্ষমতা প্রকাশ করে, নির্ভুলতা ডেটা পয়েন্টের অনুপাত প্রকাশ করে যা আমাদের মডেল বলছে প্রাসঙ্গিক আসলে প্রাসঙ্গিক ছিল।

প্রস্তাবিত: