मॉडल के प्रदर्शन का मूल्यांकन
शुद्धता, F1 स्कोर और त्रुटि मापदंड
मॉडल के प्रदर्शन का मूल्यांकन, CoddyKit पर पाइथन के साथ एआई सीखें का एक निःशुल्क पाठ है। यह 5 में से 5वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह पाइथन के साथ एआई सीखें सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 5 पाठ शामिल हैं।
मॉडल के मूल्यांकन के मापदंड
मॉडल के प्रदर्शन का मूल्यांकन
मशीन लर्निंग मॉडल के प्रदर्शन का मूल्यांकन करना उसकी प्रभावशीलता सुनिश्चित करने के लिए महत्वपूर्ण है। वर्गीकरण की समस्याओं के लिए हम सटीकता, परिशुद्धता, रिकॉल और F1 स्कोर जैसे मापदंडों का उपयोग करते हैं।
सटीकता
सटीकता, सही ढंग से पूर्वानुमानित उदाहरणों और कुल उदाहरणों के अनुपात को मापती है:
Accuracy = (True Positives + True Negatives) / Total Instances
उपयोगी होने के बावजूद, असंतुलित डेटा-समुच्चयों के लिए केवल सटीकता पर्याप्त नहीं हो सकती।
परिशुद्धता
परिशुद्धता सकारात्मक पूर्वानुमानों की शुद्धता पर केंद्रित होती है:
Precision = True Positives / (True Positives + False Positives)
उच्च परिशुद्धता का अर्थ है कि गलत सकारात्मक परिणाम कम हैं।
रिकॉल
रिकॉल, सभी सकारात्मक उदाहरणों को सही ढंग से पहचानने की मॉडल की क्षमता को मापता है:
Recall = True Positives / (True Positives + False Negatives)
उच्च रिकॉल का अर्थ है कि गलत नकारात्मक परिणाम कम हैं।
F1 स्कोर
F1 स्कोर, परिशुद्धता और रिकॉल का हार्मोनिक माध्य है:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
यह परिशुद्धता और रिकॉल के बीच संतुलन बनाता है और असंतुलित डेटा-समुच्चयों के लिए विशेष रूप से उपयोगी है।
मेट्रिक्स के लिए स्किकिट-लर्न का उपयोग
स्किकिट-लर्न इन मापदंडों की गणना करने के लिए फ़ंक्शन उपलब्ध कराता है:
from sklearn.metrics import precision_score, recall_score, f1_score
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1 Score: {f1:.2f}")भ्रम मैट्रिक्स
भ्रम मैट्रिक्स मॉडल के प्रदर्शन का विस्तृत विवरण प्रदान करता है:
- सही धनात्मक (TP): सही धनात्मक पूर्वानुमान।
- गलत धनात्मक (FP): गलत धनात्मक पूर्वानुमान।
- सही ऋणात्मक (TN): सही ऋणात्मक पूर्वानुमान।
- गलत ऋणात्मक (FN): गलत ऋणात्मक पूर्वानुमान।
सही मापदंड चुनना
मापदंड का चुनाव समस्या पर निर्भर करता है:
- सटीकता: संतुलित डेटासेट के साथ अच्छी तरह काम करती है।
- परिशुद्धता: जब गलत धनात्मक परिणाम महँगे पड़ते हैं, तब महत्वपूर्ण होती है।
- रिकॉल: जब गलत ऋणात्मक परिणाम महँगे पड़ते हैं, तब अत्यंत महत्वपूर्ण होती है।
- एफ़1 स्कोर: असंतुलित डेटासेट के लिए संतुलित मापदंड।
सारांश और अगले चरण
इस पाठ में हमने इन विषयों को शामिल किया:
- मॉडल के प्रदर्शन का मूल्यांकन करने वाले मापदंड: सटीकता, परिशुद्धता, रिकॉल और एफ़1 स्कोर।
- स्किकिट-लर्न का उपयोग करके इन मापदंडों की गणना करना।
- भ्रम मैट्रिक्स की व्याख्या करना।
अगले पाठ में हम क्लस्टरिंग जैसी अनसुपरवाइज़्ड लर्निंग विधियों का अध्ययन करेंगे।
एआई शिक्षक के साथ Python सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 53
- पाठ
- 225
अक्सर पूछे जाने वाले प्रश्न
क्या “मॉडल के प्रदर्शन का मूल्यांकन” पाठ निःशुल्क है?
हाँ — पाइथन के साथ एआई सीखें अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “मॉडल के प्रदर्शन का मूल्यांकन” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 5 पाठ शामिल हैं।
“मॉडल के प्रदर्शन का मूल्यांकन” में मैं क्या सीखूँगा?
शुद्धता, F1 स्कोर और त्रुटि मापदंड आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ पाइथन के साथ एआई सीखें का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या पाइथन के साथ एआई सीखें शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर पाइथन के साथ एआई सीखें शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 5 में से 5वाँ पाठ है।
“मॉडल के प्रदर्शन का मूल्यांकन” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस पाइथन के साथ एआई सीखें पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर पाइथन के साथ एआई सीखें पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- रैखिक प्रतिगमन की अवधारणा
- पाइथन में रैखिक प्रतिगमन लागू करना
- लॉजिस्टिक प्रतिगमन की अवधारणा
- लॉजिस्टिक प्रतिगमन का कार्यान्वयन
- मॉडल के प्रदर्शन का मूल्यांकन