اگلااگلا گائیڈ
دستاویز کے جائزے میں یاد، درستگی اور ایلیوشن ٹیسٹنگ
تکنیکی
بنیادی اصول گائیڈ
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۔
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
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۔
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۔
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۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- 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۔
- ٹیم اور ورک فلو. مشترکہ تفہیم کے ساتھ ٹیمیں بہتر پروڈکٹ، پالیسی اور سیکھنے کے فیصلے کرتی ہیں۔
پر نگاہ رکھیں
- 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۔
اگلے اقدامات
- 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
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Precision and Recall quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
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۔
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۔
On a fixed evaluation set, lowering a positive-class decision threshold usually produces which tradeoff?
Lowering the threshold expands or preserves the predicted-positive set. It may catch additional true positives and additional false positives; changes depend on which items cross the threshold.
Why can precision and recall reveal a weakness hidden by high accuracy on a dataset dominated by negatives?
Accuracy can be dominated by correct negative predictions. Precision and recall examine positive flags and missed positives using TP, FP, and FN.
Six of the top ten search results are relevant. What is precision@10 for that result list?
Precision@10 measures the relevant fraction among the top ten results: 6/10 = 60%.
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔