درستگی اور یاد کرنا
درستگی اور یاد کرنا درجہ بندی کرنے والوں کی تشخیص کے لیے دو تکمیلی میٹرکس ہیں، خاص طور پر جب کلاسوں میں عدم توازن ہو۔
جائزہ
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
گہرا غوطہ
جب کوئی ماڈل آئٹمز کو مثبت کے طور پر جھنڈا دیتا ہے، تو دو سوالات اہم ہیں۔ درستگی پوچھتی ہے: ہم نے جس چیز کو جھنڈا لگایا ہے، اس میں سے واقعی کتنا مثبت تھا؟ یہ تمام پیشن گوئی شدہ مثبتات سے تقسیم شدہ حقیقی مثبتات کے برابر ہے، جھوٹے الارم کو سزا دینا۔ یاد کریں (حساسیت) پوچھتا ہے: وہاں موجود تمام حقیقی مثبتات میں سے، ہم نے کتنے کو پکڑا؟ یہ تمام حقیقی مثبتات سے تقسیم شدہ حقیقی مثبتات کے برابر ہے، سزا دینے والی کمی۔ یہ عام طور پر تجارت کرتے ہیں: فیصلے کی حد کو کم کرنا زیادہ مثبت (زیادہ یادداشت) کو پکڑتا ہے لیکن زیادہ فضول (کم درستگی) کو جھنڈا دیتا ہے، اور اس کے برعکس۔ کس چیز کو ترجیح دینی ہے اس کا انحصار اخراجات پر ہے — ایک اسپام فلٹر درستگی کی حمایت کرتا ہے (حقیقی میل کو ردی کی ٹوکری میں نہ ڈالیں)، جب کہ کینسر کی سکرین یاد کرنے کے حق میں ہے (کسی ٹیومر کو مت چھوڑیں)۔ F1 سکور، ان کا ہارمونک اوسط، دونوں کو ایک نمبر میں متوازن کرتا ہے۔
تکنیکی بصیرت
دونوں میٹرکس کنفیوژن میٹرکس کے حقیقی مثبت (TP)، غلط مثبت (FP)، اور غلط منفی (FN): درستگی = TP / (TP + FP)، یاد = TP / (TP + FN) سے آتے ہیں۔ خاص طور پر، دونوں میں سے کوئی بھی حقیقی منفی کا استعمال نہیں کرتا، یہی وجہ ہے کہ وہ معلوماتی رہتے ہیں جب منفی کی تعداد مثبت سے بہت زیادہ ہوتی ہے۔ درجہ بندی کی حد کو صاف کرنے سے ایک درستگی-یاد کرنے کے وکر کا پتہ چلتا ہے۔ اس کے تحت کا علاقہ (اوسط درستگی) کارکردگی کا خلاصہ کرتا ہے اور انتہائی غیر متوازن ڈیٹا پر اسے ROC-AUC پر ترجیح دی جاتی ہے۔
اسٹریٹجک اثر
واضح فیصلے
یہ آپ کو مارکیٹنگ کی زبان سے واضح تکنیکی دعووں کو الگ کرنے میں مدد کرتا ہے۔
لاگت اور بجٹ
آپ پیسہ یا وقت خرچ کرنے سے پہلے بہتر نفاذ کے سوالات پوچھ سکتے ہیں۔
Team and workflow
مشترکہ تفہیم کے ساتھ ٹیمیں بہتر پروڈکٹ، پالیسی اور سیکھنے کے فیصلے کرتی ہیں۔
صحت سے متعلق اور یاد کرنے کا مستقبل
جیسے ہی AI اعلی درجے کے ڈومینز میں داخل ہوتا ہے — طبی تشخیص، مواد میں اعتدال، دھوکہ دہی — ٹیمیں صرف درستگی کی بجائے درستگی اور یاد کرنے (اور ان کے منحنی خطوط) کو تیزی سے رپورٹ کرتی ہیں، اور حقیقی دنیا کے اخراجات اور منصفانہ رکاوٹوں سے مماثل حدوں کو ٹیون کرتی ہیں۔ فی گروپ درستگی/ریکال آڈٹ آبادی کے لحاظ سے مختلف خرابی کی شرحوں کا پتہ لگانے کے لیے معیاری بن رہے ہیں۔ زیادہ سے زیادہ لاگت کے لحاظ سے حساس میٹرکس، کیلیبریٹڈ امکانات، اور ٹولنگ کی توقع کریں جو اسٹیک ہولڈرز کو پہلے سے طے شدہ 0.5 حد کو قبول کرنے کے بجائے آپریٹنگ پوائنٹس کو انٹرایکٹو طریقے سے منتخب کرنے دیتا ہے۔
حقیقی دنیا کا نفاذ
اسپام فلٹرز اعلی درستگی کے لیے ٹیون کرتے ہیں لہذا جائز ای میلز تقریباً کبھی غلط طریقے سے اسپام فولڈر میں نہیں بھیجے جاتے ہیں۔
میڈیکل اسکریننگ ٹیسٹ ایسے لاپتہ مریضوں سے بچنے کے لیے زیادہ یاد کرنے کو ترجیح دیتے ہیں جن کو حقیقت میں یہ مرض لاحق ہے، فالو اپ کے لیے زیادہ غلط مثبت کو قبول کرتے ہیں۔
درجہ بندی کے معیار کی پیمائش کرنے کے لیے تلاش اور سفارشی نظام precision@k (کتنے ٹاپ k کے نتائج متعلقہ ہیں) کی اطلاع دیتے ہیں۔
فراڈ کا پتہ لگانا F1 سکور کے ذریعے درستگی اور واپسی کو متوازن کرتا ہے، کیونکہ جھوٹے الارم اور یاد شدہ فراڈ دونوں مہنگے ہوتے ہیں۔
خطرات اور گارڈریلز
مختلف ٹیمیں ایک ہی اصطلاح کو مختلف طریقے سے استعمال کر سکتی ہیں، اس لیے دائرہ کار کی جلد وضاحت کریں۔
بینچ مارکس مضبوط نظر آسکتے ہیں جبکہ حقیقی دنیا کی کارکردگی ناہموار ہے۔
ڈیٹا کے معیار اور تشخیص کے منصوبوں کو نظر انداز کرنا اکثر نازک نتائج پیدا کرتا ہے۔
نفاذ کا روڈ میپ
آپ کو مطلوبہ نتائج کی سادہ زبان کی تعریف کے ساتھ شروع کریں۔
جانچ کرنے سے پہلے ایک کامیابی میٹرک اور ایک ناکامی کی شرط منتخب کریں۔
نمائندہ ڈیٹا کے ساتھ ایک چھوٹا پائلٹ چلائیں، نہ کہ پالش شدہ ڈیمو سیٹ۔
دستاویز جہاں درستگی اور یاد کرنے میں مدد ملتی ہے اور جہاں آسان طریقے بہتر ہیں۔
دریافت کرتے رہیں
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
اگلا گائیڈ
پریسجن میڈیسن میں ٹیمپس اے آئی
اکثر پوچھے گئے سوالات
What is Precision and Recall?
درستگی اور یاد کرنا درجہ بندی کرنے والوں کی تشخیص کے لیے دو تکمیلی میٹرکس ہیں، خاص طور پر جب کلاسوں میں عدم توازن ہو۔ وہ ایک ساتھ مل کر ظاہر کرتے ہیں کہ سادہ درستگی کیا چھپاتی ہے — ایک ماڈل کی مثبت پیشین گوئیاں کتنی بار درست ہوتی ہیں، اور یہ حقیقت میں کتنی حقیقی مثبتات کو پکڑتی ہے۔
What is next for Precision and Recall?
جیسے ہی AI اعلی درجے کے ڈومینز میں داخل ہوتا ہے — طبی تشخیص، مواد میں اعتدال، دھوکہ دہی — ٹیمیں صرف درستگی کی بجائے درستگی اور یاد کرنے (اور ان کے منحنی خطوط) کو تیزی سے رپورٹ کرتی ہیں، اور حقیقی دنیا کے اخراجات اور منصفانہ رکاوٹوں سے مماثل حدوں کو ٹیون کرتی ہیں۔ فی گروپ درستگی/ریکال آڈٹ آبادی کے لحاظ سے مختلف خرابی کی شرحوں کا پتہ لگانے کے لیے معیاری بن رہے ہیں۔ زیادہ سے زیادہ لاگت کے لحاظ سے حساس میٹرکس، کیلیبریٹڈ امکانات، اور ٹولنگ کی توقع کریں جو اسٹیک ہولڈرز کو پہلے سے طے شدہ 0.5 حد کو قبول کرنے کے بجائے آپریٹنگ پوائنٹس کو انٹرایکٹو طریقے سے منتخب کرنے دیتا ہے۔
درستگی کس سوال کا جواب دیتی ہے؟
درستگی = TP / (TP + FP) ماڈل کی مثبت پیشین گوئیوں کی درستگی کی پیمائش کرتی ہے — ایک مثبت جھنڈا کتنا قابل اعتماد ہے۔
انتہائی غیر متوازن ڈیٹاسیٹس کے لیے سادہ درستگی پر درستگی اور یاد کو کیوں ترجیح دی جاتی ہے؟
چونکہ کوئی بھی میٹرک حقیقی منفی کا استعمال نہیں کرتا ہے، اس لیے وہ ایک بڑی، آسانی سے پیشین گوئی کرنے والے منفی طبقے کی طرف سے اس طرح نہیں بڑھے ہیں جس طرح درستگی ہے۔