এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
সত্য পজিটিভ (TP)
সঠিক ফলাফল যেখানে মডেলটি ইতিবাচকভাবে একটি পর্যবেক্ষণের পূর্বাভাস দেয় যা প্রকৃতপক্ষে ইতিবাচক, যা কাঙ্খিত শ্রেণীর সফল শ্রেণীবিভাগ নির্দেশ করে। সত্য পজিটিভের সংখ্যা প্রাসঙ্গিক কেস সঠিকভাবে চিহ্নিত করতে মডেলের ক্ষমতা মূল্যায়নের জন্য অত্যন্ত গুরুত্বপূর্ণ।
মিথ্যা পজিটিভ (FP)
শ্রেণীবিভাগের ত্রুটি যেখানে মডেলটি ভুলভাবে একটি পর্যবেক্ষণকে পজিটিভ হিসেবে পূর্বাভাস দেয় যখন এটি প্রকৃতপক্ষে নেগেটিভ, যা একটি মিথ্যা সতর্কতার সাথে সামঞ্জস্যপূর্ণ। মেডিকেল ডায়াগনস্টিক বা জালিয়াতি শনাক্তকরণের মতো ক্ষেত্রে মিথ্যা পজিটিভগুলি বিশেষভাবে ব্যয়বহুল।
প্রিসিশন (Precision)
মেট্রিক যা সত্য পজিটিভ এবং মিথ্যা পজিটিভের যোগফলের উপর সত্য পজিটিভের অনুপাত হিসাবে গণনা করা হয়, সমস্ত পজিটিভ পূর্বাভাসের মধ্যে সঠিক পজিটিভ পূর্বাভাসের অনুপাত পরিমাপ করে। এটি বিশেষভাবে গুরুত্বপূর্ণ যখন মিথ্যা পজিটিভের খরচ বেশি।
রিকল (Recall)
সেন্সিটিভিটি নামেও পরিচিত, সত্য পজিটিভ এবং মিথ্যা নেগেটিভের যোগফলের উপর সত্য পজিটিভের অনুপাত পরিমাপ করে, প্রকৃত ইতিবাচক পর্যবেক্ষণগুলির সবগুলি চিহ্নিত করতে মডেলের ক্ষমতা মূল্যায়ন করে। রিকল অত্যন্ত গুরুত্বপূর্ণ যখন মিথ্যা নেগেটিভের গুরুতর পরিণতি থাকে।
ROC কার্ভ
বিভিন্ন শ্রেণীবিভাগ থ্রেশহোল্ডের জন্য মিথ্যা পজিটিভ রেটের উপর সত্য পজিটিভ রেটের প্রতিনিধিত্বকারী গ্রাফ, যা সেন্সিটিভিটি এবং স্পেসিফিসিটির মধ্যে ট্রেড-অফ চিত্রিত করে। এই কার্ভের অধীন এলাকা (AUC) ক্লাসিফায়ারের সামগ্রিক কর্মক্ষমতা পরিমাপ করে।
লজিস্টিক রিগ্রেশন
একটি সাধারণীকৃত লিনিয়ার মডেল যা বাইনারি শ্রেণীবিভাগে অবিচ্ছিন্ন পূর্বাভাসগুলিকে 0 এবং 1 এর মধ্যে সম্ভাবনায় ম্যাপ করতে সিগময়েড ফাংশন ব্যবহার করে। এই ব্যাখ্যাযোগ্য মডেলটি প্রায়শই ডাইকোটোমাস শ্রেণীবিভাগ সমস্যার জন্য বেসলাইন হিসাবে ব্যবহৃত হয়।
ডিসিশন থ্রেশহোল্ড
সীমা মান (সাধারণত 0.5) যা আউটপুট সম্ভাবনাগুলিকে বাইনারি পূর্বাভাসে রূপান্তর করতে ব্যবহৃত হয়, যার উপরে পর্যবেক্ষণটি পজিটিভ হিসাবে শ্রেণীবদ্ধ করা হয়। এই থ্রেশহোল্ড সামঞ্জস্য করা প্রিসিশন এবং রিকলের মধ্যে ট্রেড-অফ অপ্টিমাইজ করতে সক্ষম করে।
ক্লাস ইমব্যালেন্স
এমন পরিস্থিতি যেখানে ট্রেনিং ডেটাসেটে একটি শ্রেণী অন্যটির তুলনায় উল্লেখযোগ্যভাবে বেশি উপস্থাপিত, যা মডেলটিকে সংখ্যাগরিষ্ঠ শ্রেণীর দিকে পক্ষপাতদুষ্ট করতে পারে। এই সমস্যাটির জন্য ওভারস্যাম্পলিং বা ক্লাস ওয়েটিংয়ের মতো নির্দিষ্ট কৌশলের প্রয়োজন হয়।
SMOTE
সিন্থেটিক ওভারস্যাম্পলিং টেকনিক যা বিদ্যমান উদাহরণগুলোর মধ্যে ইন্টারপোলেশন করে সংখ্যালঘু শ্রেণীর নতুন নমুনা তৈরি করে, শ্রেণী বন্টন ভারসাম্য করে কিন্তু সঠিক ডুপ্লিকেশন ছাড়াই। SMOTE ভারসাম্যহীন ডেটাসেটে পারফরম্যান্স উন্নত করার জন্য বিশেষভাবে কার্যকর।
বাইনারি ডিসিশন ট্রি
ক্লাসিফিকেশন অ্যালগরিদম যা ফিচার স্পেসকে বিশুদ্ধ অঞ্চলে বিভক্ত করতে বাইনারি সিদ্ধান্তের একটি হায়ারার্কিক্যাল স্ট্রাকচার ব্যবহার করে, প্রতিটি লিফ একটি পূর্বাভাসিত শ্রেণী প্রতিনিধিত্ব করে। ডিসিশন ট্রি উচ্চ ব্যাখ্যাযোগ্যতা প্রদান করে কিন্তু ওভারফিটিংয়ের প্রতি সংবেদনশীল।
স্পেসিফিসিটি
সত্য নেগেটিভ এবং সত্য নেগেটিভ ও মিথ্যা পজিটিভের যোগফলের অনুপাত হিসাবে গণনা করা পরিমাপ, যা নেগেটিভ পর্যবেক্ষণ সঠিকভাবে চিহ্নিত করার মডেলের ক্ষমতা মূল্যায়ন করে। স্পেসিফিসিটি রিকলের পরিপূরক এবং স্ক্রিনিং টেস্টে অত্যন্ত গুরুত্বপূর্ণ।