तकनीकी गाइड
गिनी अशुद्धि
गिनी अशुद्धता मापती है कि निर्णय-वृक्ष नोड में वर्ग लेबल कितने मिश्रित हैं, शून्य यह दर्शाता है कि प्रत्येक उदाहरण एक वर्ग से संबंधित है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
इस पृष्ठ पर4 मिनट पढ़ें
सिंहावलोकन
कार्ट क्लासिफायर विभाजन चुनने के लिए उम्मीदवार विभाजन से अपेक्षित अशुद्धता में कमी का उपयोग करते हैं, लेकिन स्कोर मॉडल गुणवत्ता के पूर्ण माप के बजाय एक स्थानीय विभाजन मानदंड है।
गहरा गोता
निर्णय-वृक्ष वर्गीकरणकर्ता डेटा को पुनरावर्ती रूप से क्षेत्रों में विभाजित करते हैं। प्रत्येक उम्मीदवार विभाजन पर, पेड़ को एक मानदंड की आवश्यकता होती है कि परिणामी बच्चा कितनी अच्छी तरह से अलग-अलग वर्ग लेबल को नोड करता है। एक नोड के लिए गिनी अशुद्धता वर्ग वर्ग अनुपात के योग से 1 घटा है। अनुपात p_k, G = 1 - योग (p_k वर्ग) वाले वर्गों के लिए। एक शुद्ध नोड का एक अनुपात एक के बराबर होता है और अन्य सभी शून्य होते हैं, इसलिए G शून्य है। संतुलित अनुपात 0.5 और 0.5 के साथ एक बाइनरी नोड में, जी 0.5 है, जो दो वर्गों के लिए अधिकतम है। 8 सकारात्मक और 2 नकारात्मक मामलों वाले एक काल्पनिक नोड के लिए, अनुपात 0.8 और 0.2 हैं। गणना 1 - (0.64 + 0.04) = 0.32 है। इस स्कोर की व्याख्या गलत वर्गीकरण की संभावना के रूप में की जा सकती है यदि नोड के वर्ग अनुपात के अनुसार यादृच्छिक रूप से ड्राइंग द्वारा एक लेबल निर्दिष्ट किया जाता है, हालांकि एक प्रशिक्षित पेड़ आमतौर पर बहुमत वर्ग की भविष्यवाणी करता है। कार्ट बच्चों में भारित औसत अशुद्धता के आधार पर उम्मीदवार विभाजन का मूल्यांकन करता है, प्रत्येक को माता-पिता की टिप्पणियों के अपने हिस्से के आधार पर महत्व देता है। अशुद्धता में कमी माता-पिता की अशुद्धता से इस भारित शिशु अशुद्धता को घटाकर है। इस प्रकार एक खाली दिखने वाला या बहुत छोटा बच्चा स्वचालित रूप से विभाजन को उपयोगी नहीं बनाता है। पेड़ की बाधाएँ जैसे न्यूनतम पत्ती का आकार, गहराई और छंटाई भी अंतिम मॉडल को प्रभावित करती हैं। गिनी कम्प्यूटेशनल रूप से सुविधाजनक है क्योंकि यह लघुगणक से बचता है, जबकि एन्ट्रॉपी -सम (पी लॉग पी) का उपयोग करता है और उम्मीदवार विभाजन को समान रूप से रैंक कर सकता है लेकिन जरूरी नहीं कि समान हो। गिनी अशुद्धता डेटासेट के समग्र वर्ग असंतुलन, मॉडल की भविष्यवाणी गलत होने की संभावना या रुके हुए डेटा पर मूल्यांकन स्कोर के समान नहीं है। इसकी गणना स्थानीय रूप से एक नोड पर वहां मौजूद लेबल से की जाती है। एक पेड़ गहराई से विकसित होकर शुद्ध प्रशिक्षण पत्तियां प्राप्त कर सकता है और फिर भी खराब सामान्यीकरण कर सकता है। उचित विभाजन के साथ पूर्ण मॉडल का मूल्यांकन करें, और वर्ग-विशिष्ट त्रुटियों, जहां आवश्यक हो वहां अंशांकन और स्थिरता का निरीक्षण करें। अशुद्धता मानदंड निर्माण का मार्गदर्शन करता है; यह स्थापित नहीं करता है कि विशेषताएँ कारणात्मक हैं या पूर्वानुमान उपयोगी हैं।
वास्तविक विश्व कार्यान्वयन
एक नोड में 8 सकारात्मक और 2 नकारात्मक मामले होते हैं। इसकी गिनी अशुद्धता 1 - (0.8 वर्ग + 0.2 वर्ग) = 0.32 है, जो एक अलग लेबल की संभावना का प्रतिनिधित्व करती है यदि दो लेबल इसके वर्ग अनुपात से स्वतंत्र रूप से खींचे जाते हैं।
एक काल्पनिक विभाजन से एक शुद्ध बच्चा और एक मिश्रित बच्चा बनता है। मूल अशुद्धता की तुलना उनके नमूना अनुपात के आधार पर बच्चे की अशुद्धियों से की जानी चाहिए; एक छोटा सा शुद्ध बच्चा अकेले एक अच्छा विभाजन स्थापित नहीं कर सकता।
एक टीम गिनी का उपयोग करके एक पेड़ की तुलना एन्ट्रापी का उपयोग करने वाले पेड़ से करती है, फिर आयोजित भविष्यवाणियों का मूल्यांकन करती है। समान विभाजन विकल्प समान पेड़ों या समान सामान्यीकरण की गारंटी नहीं देते हैं।
एक नोड में वर्ग अनुपात 0.5 और 0.5 है, जो बाइनरी मामले में अशुद्धता 0.5 उत्पन्न करता है। 0.9 और 0.1 वाले नोड में अशुद्धता 0.18 है और यह अधिक वर्ग-केंद्रित है।
गिनी अशुद्धता का भविष्य
वृक्ष स्पष्टीकरण मूल वर्ग अनुपात, बाल अनुपात और भारित अशुद्धता परिवर्तन को एक साथ दिखाकर विभाजित मानदंड को अधिक उपयोगी बना सकते हैं। टीमों को पत्ती के आकार और आयोजित कक्षा के प्रदर्शन की भी समीक्षा करनी चाहिए ताकि स्पष्ट रूप से स्वच्छ प्रशिक्षण विभाजन निर्णयों पर हावी न हो। जब वर्ग असंतुलन मायने रखता है, तो अशुद्धता में कमी के साथ-साथ अल्पसंख्यक वर्ग के परिणामों का मूल्यांकन करें। एक व्यावहारिक प्रक्रिया मानदंड, छंटाई विकल्पों और सत्यापन डिजाइन का दस्तावेजीकरण करती है, फिर जनसंख्या या लेबल प्रक्रिया में परिवर्तन होने पर उन पर दोबारा गौर करती है। बेहतर विज़ुअलाइज़ेशन स्पष्ट कर सकता है कि विभाजन क्यों चुना गया था, लेकिन मानदंड गुणवत्ता प्रमाणपत्र के बजाय मॉडल मूल्यांकन का एक हिस्सा बना हुआ है।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- लागत और बजट. वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
- स्पष्ट निर्णय. तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
- गुणवत्ता नियंत्रण. बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
का ध्यान रखें
- एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
- बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
- जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
अगले चरण
- कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
- यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
- त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
- स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
गिनी अशुद्धि प्रश्नोत्तरी लें
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
गिनी अशुद्धि क्या है?
गिनी अशुद्धता मापती है कि निर्णय-वृक्ष नोड में वर्ग लेबल कितने मिश्रित हैं, शून्य यह दर्शाता है कि प्रत्येक उदाहरण एक वर्ग से संबंधित है। कार्ट क्लासिफायर विभाजन चुनने के लिए उम्मीदवार विभाजन से अपेक्षित अशुद्धता में कमी का उपयोग करते हैं, लेकिन स्कोर मॉडल गुणवत्ता के पूर्ण माप के बजाय एक स्थानीय विभाजन मानदंड है।
एक बाइनरी नोड का वर्ग अनुपात 0.8 और 0.2 है। इसकी गिनी अशुद्धि क्या है?
एक ऋण (0.8 वर्ग जमा 0.2 वर्ग) 1 - 0.68 = 0.32 के बराबर होता है।
कौन सा मान केवल एक वर्ग वाले नोड में अशुद्धता का वर्णन करता है?
एक शुद्ध नोड में एक का एक वर्ग अनुपात होता है, इसलिए एक शून्य वर्ग अनुपात का योग शून्य होता है।
उम्मीदवार विभाजन का मूल्यांकन करते समय बाल अशुद्धियों को कैसे जोड़ा जाना चाहिए?
विभाजन मानदंड बाल अशुद्धियों के नमूना-आकार-भारित औसत का उपयोग करता है।
वृक्ष निर्माण में गिनी कमी क्या दर्शाती है?
विभाजन लाभ माता-पिता की अशुद्धता को विभाजित करने के बाद भारित औसत अशुद्धता से घटाया जाता है।
गिनी और एन्ट्रॉपी के बीच कौन सा अंतर सटीक है?
दोनों विभाजित चयन के लिए वर्ग मिश्रण को मापते हैं, लेकिन उनके सूत्र और संख्यात्मक पैमाने भिन्न होते हैं।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं