মৌলিক নির্দেশিকা
লিফট এবং গেইন চার্ট
ক্রমবর্ধমান লাভ এবং লিফ্ট চার্টগুলি দেখায় যে একটি র্যাঙ্কিং মডেল স্কোর করা তালিকার শীর্ষের কাছে প্রকৃত ইতিবাচক কেসকে কতটা ভালভাবে কেন্দ্রীভূত করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
এই পৃষ্ঠায়3 মিনিট পড়া হয়েছে
ওভারভিউ
জনসংখ্যার একটি নির্বাচিত অংশ পরীক্ষা করার পরে পাওয়া সমস্ত ইতিবাচক অংশের অংশ লাভ ট্র্যাক করে; লিফট একই শেয়ারে র্যান্ডম নির্বাচনের সাথে সেই লাভের তুলনা করে। চার্টগুলি একটি মডেলকে সীমিত আউটরিচ ক্ষমতার সাথে মেলাতে সাহায্য করে, কিন্তু প্রমাণ করে না যে একটি প্রচারণা লাভজনক বা কার্যকারণভাবে কার্যকর।
গভীর ডুব
একটি সংজ্ঞায়িত ইতিবাচক ফলাফল এবং প্রতিটি ক্ষেত্রে একটি মডেল স্কোর ধারণকারী একটি হোল্ড-আউট সেট দিয়ে শুরু করুন। কেস সর্বোচ্চ থেকে সর্বনিম্ন পূর্বাভাসিত স্কোর পর্যন্ত সাজান। একটি ক্রমবর্ধমান লাভের বক্ররেখা জিজ্ঞাসা করে, র্যাঙ্ক করা জনসংখ্যার প্রথম x শতাংশের উপর কাজ করার পরে, সমস্ত প্রকৃত ইতিবাচকের কত শতাংশ পাওয়া গেছে? যদি র্যাঙ্কিং এলোমেলো নির্বাচনের চেয়ে ভালো না হয়, তাহলে x শতাংশে এর প্রত্যাশিত লাভ হল x শতাংশ, তির্যক রেফারেন্স লাইন। একটি দরকারী র্যাঙ্কিং সেই লাইনের উপরে উঠতে পারে। 100টি প্রকৃত ইতিবাচক সহ 1,000 জনের একটি উদ্ভাবিত পরীক্ষার সেট বিবেচনা করুন। শীর্ষ 200 স্কোর করা ব্যক্তিদের মধ্যে 50টি ইতিবাচক রয়েছে। জনসংখ্যার 20% এ, ক্রমবর্ধমান লাভ হল 50/100 = 50%। র্যান্ডম নির্বাচন জনসংখ্যার 20% মধ্যে প্রায় 20% ইতিবাচক খুঁজে পাবে বলে আশা করা হবে। সেই ক্ষমতায় উত্তোলন হল 50%/20% = 2.5। নির্বাচিত গোষ্ঠীর মধ্যে ধনাত্মক হার হল 50/200 = 25%, একটি 10% সামগ্রিক ভিত্তি হারের তুলনায়। Microsoft এর Azure মেশিন লার্নিং ডকুমেন্টেশন একটি নির্বাচিত জনসংখ্যার ভগ্নাংশে ক্যাপচার করা ইতিবাচক শেয়ার হিসাবে লাভকে সংজ্ঞায়িত করে এবং সেই ভগ্নাংশে র্যান্ডম বেসলাইন দ্বারা ভাগ করা লাভ হিসাবে উত্তোলন করে। উত্তোলন নির্বাচিত ভগ্নাংশের সাথে পরিবর্তিত হয়; একটি লিফট নম্বর তার কাটঅফ ছাড়া উদ্ধৃত করবেন না। একটি মডেল 10% ক্ষেত্রে পর্যালোচনা করতে সক্ষম একটি দলের জন্য উপযোগী হতে পারে কিন্তু যখন প্রায় প্রত্যেকের সাথে যোগাযোগ করা আবশ্যক তখন সামান্য মূল্য যোগ করুন। অ্যাপ্লিকেশন আসলে ক্ষমতা আছে মডেল তুলনা. চার্টগুলি পর্যবেক্ষিত লেবেলের বিপরীতে র্যাঙ্কিং মূল্যায়ন করে, সম্ভাব্যতা ক্রমাঙ্কন বা হস্তক্ষেপের মান নয়। একজন ব্যক্তি একটি বার্তা ছাড়াই সাইন আপ করতে পারেন, তাই নির্বাচিত ব্যক্তিদের মধ্যে একটি উচ্চ লাভ প্রমাণ করে না যে আউটরিচ তাদের প্রতিক্রিয়া সৃষ্টি করেছে। খরচ, সুবিধা, গোপনীয়তা এবং বোঝা বিষয়. সময়-প্রাসঙ্গিক হোল্ড-আউট ডেটা ব্যবহার করুন, ফলাফলের সংজ্ঞা সামঞ্জস্যপূর্ণ রাখুন এবং প্রাসঙ্গিক গোষ্ঠী জুড়ে কর্মক্ষমতা পরিদর্শন করুন। চিত্তাকর্ষক উত্তোলন সহ একটি নির্বাচিত ভগ্নাংশ এখনও বেশিরভাগ ইতিবাচক খুঁজে পেতে খুব ছোট বা কাজ করার জন্য খুব ব্যয়বহুল হতে পারে।
বাস্তব-বিশ্ব বাস্তবায়ন
একটি অলাভজনক একটি স্কোর আউটরিচ তালিকা বনাম একটি এলোমেলো তালিকার শীর্ষ 20% এ কতগুলি প্রকৃত সাইন-আপ সম্ভাবনা দেখা যায় তার তুলনা করে৷
একটি সমর্থন দল পরীক্ষা করে যে তার সীমিত পর্যালোচনা ক্ষমতা প্রথম কয়েকটি স্কোর ব্যান্ডে বেশিরভাগ উচ্চ-প্রধান কেস ক্যাপচার করতে পারে কিনা।
একজন বিশ্লেষক একটি উদ্ভাবিত উদাহরণ ব্যাখ্যা করেছেন যেখানে 1,000 জনের মধ্যে শীর্ষ 200টিতে 100টি প্রকৃত ইতিবাচকের মধ্যে 50টি রয়েছে।
উচ্চ-উত্তোলন র্যাঙ্কিং একটি অ্যাকশন চালানো উচিত কিনা তা সিদ্ধান্ত নেওয়ার আগে একজন পণ্য ব্যবস্থাপক যোগাযোগের খরচ, অভিযোগের ঝুঁকি এবং সাবগ্রুপ কভারেজ যোগ করে।
লিফট এবং লাভ চার্টের ভবিষ্যত
র্যাঙ্কিং ড্যাশবোর্ডগুলি বাস্তবসম্মত দলগত ক্ষমতার সাথে তুলনা করা সহজ করে তুলতে এবং উত্তোলন করতে পারে। তাদের উপযোগিতা এখনও একটি সঠিক ফলাফল লেবেল এবং একটি স্থিতিশীল স্থাপনার জনসংখ্যার উপর নির্ভর করে। যেহেতু সংস্থাগুলি আউটরিচের জন্য স্কোরগুলি ব্যবহার করে, তাই তাদের পরিমাপ করা উচিত যে যোগাযোগ করা ব্যক্তিরা উপকৃত হয় কিনা এবং অন্যরা অন্যায়ভাবে উপেক্ষা করা হয় কিনা। একটি বিচ্ছিন্ন লিফট মাল্টিপল না করে আরও ভালো রিপোর্টিং গণনা, নির্বাচিত ভগ্নাংশ, বেস রেট এবং অনিশ্চয়তা দেখাবে। ভবিষ্যত সিস্টেমগুলি নিয়ন্ত্রিত পরীক্ষার সাথে র্যাঙ্কিং মূল্যায়নকে সংযুক্ত করতে পারে যা ক্রমবর্ধমান প্রভাব অনুমান করে, অনুমান করা বা চিকিত্সার প্রভাব থেকে পূর্বাভাসকে আলাদা করে। একটি হাই-লিফ্ট চার্ট একটি কার্যকর অগ্রাধিকার সংকেত, কর্মের জন্য একটি সম্পূর্ণ ব্যবসা বা নৈতিক ক্ষেত্রে নয়।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- সুস্পষ্ট সিদ্ধান্ত. এটি আপনাকে বিপণনের ভাষা থেকে স্পষ্ট প্রযুক্তিগত দাবিগুলি আলাদা করতে সহায়তা করে।
- খরচ ও বাজেট. অর্থ বা সময় ব্যয় করার আগে আপনি আরও ভাল বাস্তবায়ন প্রশ্ন জিজ্ঞাসা করতে পারেন।
- টিম এবং ওয়ার্কফ্লো. ভাগ করা বোঝাপড়া সহ দলগুলি আরও ভাল পণ্য, নীতি এবং শেখার সিদ্ধান্ত নেয়।
জন্য সতর্ক
- বিভিন্ন দল একই শব্দটি ভিন্নভাবে ব্যবহার করতে পারে, তাই সুযোগটি আগে থেকেই নির্ধারণ করুন।
- বেঞ্চমার্কগুলি শক্তিশালী দেখাতে পারে যখন বাস্তব-বিশ্বের কর্মক্ষমতা অসম হয়।
- ডেটা গুণমান এবং মূল্যায়ন পরিকল্পনা উপেক্ষা করা প্রায়ই ভঙ্গুর ফলাফল তৈরি করে।
পরবর্তী পদক্ষেপ
- আপনার প্রয়োজনীয় ফলাফলের একটি সরল-ভাষা সংজ্ঞা দিয়ে শুরু করুন।
- পরীক্ষার আগে একটি সাফল্যের মেট্রিক এবং একটি ব্যর্থতার শর্ত বাছুন।
- একটি পালিশ ডেমো সেট নয়, প্রতিনিধি ডেটা সহ একটি ছোট পাইলট চালান৷
- নথি যেখানে লিফট এবং লাভ চার্ট সাহায্য করে এবং যেখানে সহজ পদ্ধতিগুলি ভাল।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Lift and Gain Charts quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
লিফট এবং গেইন চার্ট কি?
ক্রমবর্ধমান লাভ এবং লিফ্ট চার্টগুলি দেখায় যে একটি র্যাঙ্কিং মডেল স্কোর করা তালিকার শীর্ষের কাছে প্রকৃত ইতিবাচক কেসকে কতটা ভালভাবে কেন্দ্রীভূত করে। জনসংখ্যার একটি নির্বাচিত অংশ পরীক্ষা করার পরে পাওয়া সমস্ত ইতিবাচক অংশের অংশ লাভ ট্র্যাক করে; লিফট একই শেয়ারে র্যান্ডম নির্বাচনের সাথে সেই লাভের তুলনা করে। চার্টগুলি একটি মডেলকে সীমিত আউটরিচ ক্ষমতার সাথে মেলাতে সাহায্য করে, কিন্তু প্রমাণ করে না যে একটি প্রচারণা লাভজনক বা কার্যকারণভাবে কার্যকর।
স্কোর করা জনসংখ্যার একটি নির্বাচিত ভগ্নাংশে ক্রমবর্ধমান লাভের প্রতিবেদন কী?
র্যাঙ্কিংয়ের একটি বিবৃত শীর্ষ ভগ্নাংশ নেওয়ার পরে ক্যাপচার করা সমস্ত পর্যবেক্ষণ করা ইতিবাচক কেসের অনুপাত হল লাভ।
গাইডের উদ্ভাবিত 1,000-ব্যক্তির সেটে, শীর্ষ 200টিতে 100টির মধ্যে 50টি ইতিবাচক রয়েছে। 20% এ লাভ কি?
প্রথম 200টি ক্ষেত্রে একশত পজিটিভের মধ্যে পঞ্চাশটি ধরা হয়, তাই ক্রমবর্ধমান লাভ 50%।
20% জনসংখ্যার ভগ্নাংশে, গড়ে এলোমেলো নির্বাচন থেকে কী লাভ প্রত্যাশিত?
র্যান্ডম বেসলাইন লাভ = জনসংখ্যার ভগ্নাংশ অনুসরণ করে, তাই 20% ক্ষেত্রে এর প্রত্যাশিত লাভ 20%।
নির্মিত উদাহরণে নির্বাচিত শীর্ষ-200 গ্রুপের কত ধনাত্মক হার আছে?
নির্বাচিত গ্রুপের ইতিবাচক হার হল 50/200 = 25%, সামগ্রিকভাবে 100/1000 = 10% এর তুলনায়।
কেন দুটি র্যাঙ্কিং মডেলকে দলের বাস্তব পর্যালোচনা ক্ষমতার সাথে তুলনা করা উচিত?
গাইড বলে যে একটি মডেল বিশেষ করে প্রথম দিকে ভাল র্যাঙ্ক করতে পারে তবে বড় ভগ্নাংশে কম সুবিধা দেয়; মূল্যায়ন অপারেশনাল কাটঅফের সাথে মেলে।
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড