পরবর্তী আপপরবর্তী গাইড
ডাইস সহগ এবং সেগমেন্টেশন মেট্রিক্স
টেকনিক্যাল
প্রযুক্তিগত গাইড
ম্যাথুস পারস্পরিক সম্পর্ক সহগ, বা MCC, বিভ্রান্তি ম্যাট্রিক্সের প্রতিটি ঘরের জন্য হিসাব করার সময় ভবিষ্যদ্বাণী করা ক্লাস লেবেলগুলি প্রকৃত লেবেলের সাথে কতটা একমত তা সংক্ষিপ্ত করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
যখন ক্লাসের মাপ ভিন্ন হয় এবং একটি উচ্চ নির্ভুলতা স্কোর কম সাধারণ ক্লাসে ব্যর্থতা লুকাতে পারে তখন এটি কার্যকর।
একটি ক্লাসিফায়ার বারবার সাধারণ শ্রেণী নির্বাচন করে সফল দেখতে পারে। 990টি বৈধ বার্তা এবং 10টি স্প্যাম বার্তা ধারণকারী একটি পরীক্ষা সেট কল্পনা করুন। প্রতিটি বার্তার জন্য বৈধ ভবিষ্যদ্বাণী 99% নির্ভুলতা দেয়, তবুও ফিল্টারটি কোনও স্প্যাম ধরে না। এটি শ্রেণী ভারসাম্যহীনতার একটি নির্মিত উদাহরণ, রিপোর্ট করা কর্মক্ষমতা ফলাফল নয়। MCC উভয় শ্রেণীর সঠিক এবং ভুল শ্রেণীবিভাগ ব্যবহার করে ভবিষ্যদ্বাণী এবং ফলাফলের মধ্যে সম্পর্ক মূল্যায়ন করতে সাহায্য করে। একটি বাইনারি কনফিউশন ম্যাট্রিক্সে, সত্যিকারের ইতিবাচক এবং সত্যিকারের নেতিবাচকগুলি সঠিক সিদ্ধান্ত; মিথ্যা ইতিবাচক এবং মিথ্যা নেতিবাচক ভুল দুই ধরনের হয়. ইতিবাচকের কাছাকাছি একটি স্কোর শক্তিশালী চুক্তি নির্দেশ করে। শূন্য কোন পারস্পরিক সম্পর্ক নির্দেশ করে না, এবং নেতিবাচক মান একটি বিপরীত সম্পর্ক নির্দেশ করে। উভয় বাইনারি শ্রেণী উপস্থিত থাকার সাথে, একটি নিখুঁত বিপরীত একটি ঋণাত্মক দেয়। 40টি সত্য ইতিবাচক, 40টি সত্য নেতিবাচক এবং প্রতিটি ধরণের ত্রুটির 10টি সহ একটি ভিন্ন অনুমানমূলক শ্রেণীবিভাগ বিবেচনা করুন৷ এর যথার্থতা 80%, এবং এর MCC হল 0.6। এই মানগুলি বিভিন্ন স্কেল ব্যবহার করে একই ভবিষ্যদ্বাণী বর্ণনা করে। 0.6 এর MCC এর অর্থ এই নয় যে 60% ক্ষেত্রে সঠিকভাবে শ্রেণীবদ্ধ করা হয়েছে। একটি ত্রুটি কতটা ব্যয়বহুল তা MCC সিদ্ধান্ত নেয় না। একটি মিস মেশিন ত্রুটি এবং একটি অপ্রয়োজনীয় পরিদর্শন খুব ভিন্ন পরিণতি হতে পারে. বিভ্রান্তি ম্যাট্রিক্স এবং MCC এর সাথে প্রাসঙ্গিক শ্রেণী-নির্দিষ্ট মেট্রিক্স রিপোর্ট করুন, তারপর বৈধতা ডেটা এবং প্রকৃত সিদ্ধান্তের খরচ ব্যবহার করে একটি অপারেটিং থ্রেশহোল্ড চয়ন করুন। Scikit-learn বাইনারি এবং মাল্টিক্লাস লেবেলের জন্য matthews_corrcoef প্রদান করে। মেট্রিক ভবিষ্যদ্বাণী করা ক্লাসের উপর কাজ করে, তাই দাবি করা 90% সম্ভাবনা বিশ্বাসযোগ্য কিনা তা মূল্যায়ন করে না। অধঃপতনের ক্ষেত্রে, যেমন শুধুমাত্র একটি শ্রেণির ভবিষ্যদ্বাণী করার জন্যও যত্নের প্রয়োজন: বাইনারি সূত্রের একটি শূন্য হর রয়েছে এবং একটি লাইব্রেরির সংখ্যাসূচক কনভেনশনকে একটি সফল শ্রেণিবিন্যাসকারী হিসাবে ভুল করা উচিত নয়।
1,000টি বার্তার একটি অনুমানমূলক সেটে, 990টি বৈধ। একটি ফিল্টার যা প্রতিটি বার্তাকে বৈধ লেবেল করে 99% নির্ভুলতায় পৌঁছায় যখন কোনো স্প্যাম শনাক্ত না করে, কেন সঠিকতার অতিরিক্ত প্রসঙ্গ প্রয়োজন তা দেখায়।
একটি খেলনা ক্লাসিফায়ারে 40টি সত্য ইতিবাচক, 40টি সত্য নেতিবাচক, 10টি মিথ্যা ইতিবাচক এবং 10টি মিথ্যা নেতিবাচক রয়েছে। এর MCC হল 0.6, সম্পূর্ণ কনফিউশন ম্যাট্রিক্স থেকে গণনা করা হয়েছে।
একটি দল স্থির অপারেটিং থ্রেশহোল্ডে দুটি ত্রুটি সনাক্তকারীর তুলনা করে। MCC-এর পাশাপাশি, প্রতিটি ডিটেক্টর কতগুলি ত্রুটিপূর্ণ আইটেম মিস করে তা রিপোর্ট করে, কারণ সেই মিসগুলির একটি নির্দিষ্ট অপারেশনাল খরচ আছে।
একজন বিশ্লেষক পর্যবেক্ষণ করা এবং ভবিষ্যদ্বাণী করা লেবেলগুলিতে scikit-learn এর matthews_corrcoef ব্যবহার করেন। তারা MCC কে ক্রমাঙ্কন স্কোর হিসাবে বিবেচনা করার পরিবর্তে মডেলের সম্ভাব্যতার আত্মবিশ্বাসকে আলাদাভাবে মূল্যায়ন করে।
স্বয়ংক্রিয় মূল্যায়ন রিপোর্ট প্রতিটি স্কোরকে সঠিক ডেটাসেট, লেবেল সংজ্ঞা এবং সিদ্ধান্তের থ্রেশহোল্ডের সাথে লিঙ্ক করে MCCকে আরও উপযোগী করে তুলতে পারে। ডেটাতে অ্যাক্সেস নিয়ন্ত্রণকে সম্মান করার সময় একটি দল একটি সারাংশ নম্বর থেকে ত্রুটির জন্য দায়ী কেসে যেতে সক্ষম হওয়া উচিত। ভবিষ্যত মডেলের তুলনাতে প্রাসঙ্গিক সাবগ্রুপের জন্য ক্লাস ফ্রিকোয়েন্সি এবং ফলাফল পরিবর্তন অন্তর্ভুক্ত করা উচিত। কোনো একক চুক্তির পরিসংখ্যান নির্ধারণ করতে পারে না যে স্থাপনা সার্থক কিনা। কোন ভুলগুলি ঘটে এবং লোকেরা কীভাবে তাদের প্রতিক্রিয়া জানায় সে সম্পর্কে প্রমাণ সহ একটি পুনরুত্পাদনযোগ্য স্কোর একত্রিত করার মাধ্যমে ব্যবহারিক উন্নতি আসে।
ফ্রি নিউজলেটার
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
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
ম্যাথুস পারস্পরিক সম্পর্ক সহগ, বা MCC, বিভ্রান্তি ম্যাট্রিক্সের প্রতিটি ঘরের জন্য হিসাব করার সময় ভবিষ্যদ্বাণী করা ক্লাস লেবেলগুলি প্রকৃত লেবেলের সাথে কতটা একমত তা সংক্ষিপ্ত করে। যখন ক্লাসের মাপ ভিন্ন হয় এবং একটি উচ্চ নির্ভুলতা স্কোর কম সাধারণ ক্লাসে ব্যর্থতা লুকাতে পারে তখন এটি কার্যকর।
সর্বদা সংখ্যাগরিষ্ঠ শ্রেণী নির্বাচন করা উচ্চ নির্ভুলতা তৈরি করতে পারে যখন ফিল্টারটি সনাক্ত করতে হবে এমন ক্লাসের প্রতিটি উদাহরণ অনুপস্থিত।
লব হল 1,500 এবং হর হল 2,500, 0.6 এর MCC পাওয়া যায়৷
নির্ভুলতা সঠিক ভবিষ্যদ্বাণীর ভগ্নাংশ প্রকাশ করে। MCC একটি ভিন্ন সূত্র এবং স্কেল ব্যবহার করে।
প্রকৃত এবং পূর্বাভাসিত বাইনারি লেবেলের মধ্যে একটি নিখুঁত বিপরীত সম্পর্ক ঋণাত্মক একটি MCC তৈরি করে।
MCC মিথ্যা ইতিবাচক এবং মিথ্যা নেতিবাচকের সুনির্দিষ্ট ফলাফল এনকোডিং ছাড়াই অ্যাসোসিয়েশনের সারসংক্ষেপ করে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
ডাইস সহগ এবং সেগমেন্টেশন মেট্রিক্স
টেকনিক্যাল