परिशुद्धता और स्मरण
क्लासिफायर के मूल्यांकन के लिए परिशुद्धता और रिकॉल दो पूरक मेट्रिक्स हैं, खासकर जब कक्षाएं असंतुलित होती हैं।
सिंहावलोकन
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
गहरा गोता
जब कोई मॉडल आइटम को सकारात्मक के रूप में चिह्नित करता है, तो दो प्रश्न मायने रखते हैं। प्रिसिजन पूछता है: हमने जो कुछ भी चिह्नित किया, उसमें से कितना वास्तव में सकारात्मक था? यह सभी अनुमानित सकारात्मकताओं से विभाजित वास्तविक सकारात्मकताओं के बराबर है, झूठे अलार्म को दंडित करता है। रिकॉल (संवेदनशीलता) पूछती है: वहां मौजूद सभी वास्तविक सकारात्मकताओं में से, हमने कितनों को पकड़ा? यह सभी वास्तविक सकारात्मकताओं से विभाजित वास्तविक सकारात्मकताओं के बराबर है, गलतियों को दंडित करता है। ये आम तौर पर व्यापार बंद कर देते हैं: निर्णय सीमा को कम करने से अधिक सकारात्मकता (उच्च रिकॉल) मिलती है, लेकिन अधिक बेकार (कम सटीकता) का पता चलता है, और इसके विपरीत। किसे प्राथमिकता देनी है यह लागत पर निर्भर करता है - एक स्पैम फ़िल्टर सटीकता का समर्थन करता है (वास्तविक मेल को रद्दी न करें), जबकि एक कैंसर स्क्रीन रिकॉल का समर्थन करता है (ट्यूमर को न चूकें)। F1 स्कोर, उनका हार्मोनिक माध्य, दोनों को एक संख्या में संतुलित करता है।
तकनीकी अंतर्दृष्टि
दोनों मेट्रिक्स कन्फ्यूजन मैट्रिक्स के वास्तविक सकारात्मक (टीपी), गलत सकारात्मक (एफपी), और गलत नकारात्मक (एफएन) से आते हैं: परिशुद्धता = टीपी / (टीपी + एफपी), रिकॉल = टीपी / (टीपी + एफएन)। विशेष रूप से, इनमें से कोई भी वास्तविक नकारात्मक का उपयोग नहीं करता है, यही कारण है कि जब नकारात्मक की संख्या सकारात्मक से अधिक हो जाती है तो वे जानकारीपूर्ण बने रहते हैं। वर्गीकरण सीमा को पार करने से एक सटीक-रिकॉल वक्र का पता चलता है; इसके अंतर्गत क्षेत्र (औसत परिशुद्धता) प्रदर्शन का सारांश देता है और अत्यधिक असंतुलित डेटा पर आरओसी-एयूसी पर प्राथमिकता दी जाती है।
सामरिक प्रभाव
स्पष्ट निर्णय
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
लागत और बजट
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
टीम और वर्कफ़्लो
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
परिशुद्धता और स्मरण का भविष्य
जैसे-जैसे एआई उच्च जोखिम वाले डोमेन में प्रवेश करता है - चिकित्सा निदान, सामग्री मॉडरेशन, धोखाधड़ी - टीमें केवल सटीकता के बजाय सटीकता और रिकॉल (और उनके घटता) की रिपोर्ट करती हैं, और वास्तविक दुनिया की लागत और निष्पक्षता बाधाओं से मेल खाने के लिए थ्रेसहोल्ड को ट्यून करती हैं। जनसांख्यिकी में असमान त्रुटि दरों का पता लगाने के लिए प्रति-समूह परिशुद्धता/रिकॉल ऑडिट मानक बन रहे हैं। समृद्ध लागत-संवेदनशील मेट्रिक्स, कैलिब्रेटेड संभावनाओं और टूलींग की अपेक्षा करें जो हितधारकों को डिफ़ॉल्ट 0.5 सीमा को स्वीकार करने के बजाय इंटरैक्टिव रूप से ऑपरेटिंग पॉइंट चुनने की सुविधा देता है।
वास्तविक विश्व कार्यान्वयन
स्पैम फ़िल्टर उच्च परिशुद्धता के लिए ट्यून होते हैं इसलिए वैध ईमेल लगभग कभी भी गलत तरीके से स्पैम फ़ोल्डर में नहीं भेजे जाते हैं।
मेडिकल स्क्रीनिंग परीक्षण उच्च रिकॉल को प्राथमिकता देते हैं ताकि उन रोगियों को गायब होने से बचाया जा सके जिन्हें वास्तव में यह बीमारी है, और फॉलो-अप के लिए अधिक गलत सकारात्मक स्वीकार करते हैं।
रैंकिंग गुणवत्ता को मापने के लिए खोज और अनुशंसा प्रणालियाँ Precision@k (शीर्ष k परिणामों में से कितने प्रासंगिक हैं) की रिपोर्ट करती हैं।
धोखाधड़ी का पता लगाना F1 स्कोर के माध्यम से सटीकता और रिकॉल को संतुलित करता है, क्योंकि गलत अलार्म और मिस्ड धोखाधड़ी दोनों महंगे हैं।
जोखिम और रेलिंग
अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
कार्यान्वयन रोडमैप
आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
दस्तावेज़ जहां प्रिसिजन और रिकॉल मदद करते हैं और जहां सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Precision and Recall quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
प्रिसिजन मेडिसिन में टेम्पस एआई
अक्सर पूछे जाने वाले प्रश्नों
What is Precision and Recall?
क्लासिफायर के मूल्यांकन के लिए परिशुद्धता और रिकॉल दो पूरक मेट्रिक्स हैं, खासकर जब कक्षाएं असंतुलित होती हैं। साथ में वे यह प्रकट करते हैं कि स्पष्ट सटीकता क्या छिपाती है - कितनी बार एक मॉडल की सकारात्मक भविष्यवाणियां सही होती हैं, और यह वास्तव में कितनी वास्तविक सकारात्मकताएं पकड़ती है।
What is next for Precision and Recall?
जैसे-जैसे एआई उच्च जोखिम वाले डोमेन में प्रवेश करता है - चिकित्सा निदान, सामग्री मॉडरेशन, धोखाधड़ी - टीमें केवल सटीकता के बजाय सटीकता और रिकॉल (और उनके घटता) की रिपोर्ट करती हैं, और वास्तविक दुनिया की लागत और निष्पक्षता बाधाओं से मेल खाने के लिए थ्रेसहोल्ड को ट्यून करती हैं। जनसांख्यिकी में असमान त्रुटि दरों का पता लगाने के लिए प्रति-समूह परिशुद्धता/रिकॉल ऑडिट मानक बन रहे हैं। समृद्ध लागत-संवेदनशील मेट्रिक्स, कैलिब्रेटेड संभावनाओं और टूलींग की अपेक्षा करें जो हितधारकों को डिफ़ॉल्ट 0.5 सीमा को स्वीकार करने के बजाय इंटरैक्टिव रूप से ऑपरेटिंग पॉइंट चुनने की सुविधा देता है।
परिशुद्धता किस प्रश्न का उत्तर देती है?
परिशुद्धता = टीपी / (टीपी + एफपी) मॉडल की सकारात्मक भविष्यवाणियों की शुद्धता को मापता है - एक सकारात्मक ध्वज कितना भरोसेमंद है।
अत्यधिक असंतुलित डेटासेट के लिए सामान्य सटीकता की तुलना में सटीकता और रिकॉल को प्राथमिकता क्यों दी जाती है?
क्योंकि कोई भी मीट्रिक वास्तविक नकारात्मक का उपयोग नहीं करता है, वे सटीकता की तरह बड़े, आसानी से अनुमान लगाने वाले नकारात्मक वर्ग द्वारा नहीं बढ़ाए जाते हैं।