এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ভ্যালিডেশন কার্ভ
ওভারফিটিং শনাক্ত করার জন্য লার্নিং কার্ভের পাশাপাশি একটি পৃথক ভ্যালিডেশন সেটে মডেলের পারফরম্যান্স দেখানো গ্রাফ।
কনভারজেন্স পয়েন্ট
যখন লার্নিং এবং ভ্যালিডেশন কার্ভ স্থিতিশীল হয়, ইঙ্গিত দেয় যে অতিরিক্ত ডেটা যোগ করলে আর পারফরম্যান্স উল্লেখযোগ্যভাবে উন্নত হবে না।
জেনারালাইজেশন গ্যাপ
ট্রেনিং ডেটা এবং ভ্যালিডেশন ডেটার পারফরম্যান্সের মধ্যে পার্থক্য, নতুন ডেটাতে মডেলের জেনারালাইজ করার ক্ষমতা পরিমাপ করে।
লার্নিং এরর
ট্রেনিং সেটে মডেল দ্বারা করা ত্রুটির পরিমাপ, সম্ভাব্য ওভারফিটিং মূল্যায়নের জন্য রেফারেন্স হিসেবে কাজ করে।
ভ্যালিডেশন এরর
ট্রেনিং期间 ব্যবহৃত না হওয়া ডেটা সেটে মূল্যায়ন করা মডেলের পারফরম্যান্স, এর প্রকৃত জেনারালাইজেশন ক্ষমতা প্রতিফলিত করে।
লার্নিং প্ল্যাটো
যে পর্যায়ে অতিরিক্ত ট্রেনিং ডেটা যোগ করলে আর মডেলের পারফরম্যান্সে উল্লেখযোগ্য উন্নতি হয় না।
বায়াস ডায়াগনোসিস
লার্নিং কার্ভ বিশ্লেষণ করে নির্ধারণ করা যে মডেলটি আন্ডারফিটিং (উচ্চ বায়াস) ভুগছে কিনা যার জন্য আরও জটিল মডেল প্রয়োজন।
ভেরিয়েন্স ডায়াগনোসিস
ওভারফিটিং (উচ্চ ভেরিয়েন্স) শনাক্ত করা যখন ট্রেনিং এরর কম কিন্তু ভ্যালিডেশন এরর উচ্চ থাকে।
মডেলের জটিলতা
শেখার বক্ররেখার আকৃতিকে প্রভাবিতকারী একটি উপাদান, যেখানে একটি অত্যধিক জটিল মডেল ওভারফিটিং করার প্রবণতা দেখায়, অন্যদিকে একটি অত্যধিক সরল মডেল আন্ডারফিটিং করে।
নমুনার সমালোচনামূলক আকার
মডেলের স্থিতিশীল এবং সাধারণীকরণযোগ্য কর্মক্ষমতা অর্জনের জন্য প্রয়োজনীয় প্রশিক্ষণ ডেটার সর্বনিম্ন সংখ্যা।
প্রতি শ্রেণীর জন্য শেখার বক্ররেখা
প্রতিটি আউটপুট শ্রেণীর জন্য শেখার বক্ররেখার পৃথক বিশ্লেষণ, যা বিশেষভাবে অসম ভারসাম্যপূর্ণ শ্রেণীবিভাগ সমস্যাগুলিতে কার্যকর।
প্রান্তিক উন্নতির হার
অতিরিক্ত প্রশিক্ষণ ডেটা যোগ করে প্রাপ্ত কর্মক্ষমতা লাভের পরিমাপ, যা আরও ডেটা সংগ্রহ করা উচিত কিনা তা সিদ্ধান্ত নিতে সহায়তা করে।
পুনরাবৃত্তিমূলক ক্রস-ভ্যালিডেশন
বিভিন্ন নমুনা আকারে দৃঢ়ভাবে কর্মক্ষমতা মূল্যায়নের জন্য ক্রস-ভ্যালিডেশন এবং শেখার বক্ররেখা একত্রিত করে এমন একটি কৌশল।
ডেটাতে শোরগোল
প্রশিক্ষণ ডেটাতে এলোমেলো ত্রুটি যা শেখার বক্ররেখার আকৃতিকে প্রভাবিত করে এবং মডেলের অর্জনযোগ্য কর্মক্ষমতা সীমিত করে।