এআই গ্লসারি

📖

শব্দ

সত্যিকারের ইতিবাচক (True Positive)

মডেলটি সঠিকভাবে ইতিবাচক শ্রেণী ভবিষ্যদ্বাণী করার ক্ষেত্রে, যা লক্ষ্য শ্রেণীর অন্তর্ভুক্ত হিসাবে সঠিকভাবে চিহ্নিত পর্যবেক্ষণের সাথে মিলে যায়।

📖

শব্দ

সত্যিকারের নেতিবাচক (True Negative)

মডেলটি সঠিকভাবে নেতিবাচক শ্রেণী ভবিষ্যদ্বাণী করার ক্ষেত্রে, যা লক্ষ্য শ্রেণী থেকে সঠিকভাবে বাদ পড়া পর্যবেক্ষণগুলিকে উপস্থাপন করে।

📖

শব্দ

মিথ্যা ইতিবাচক (False Positive)

টাইপ I ত্রুটি যেখানে মডেলটি ভুলভাবে ইতিবাচক শ্রেণী ভবিষ্যদ্বাণী করে, যা মিথ্যা সতর্কতা বা ভুলভাবে ইতিবাচক হিসাবে শ্রেণীবদ্ধ করা পর্যবেক্ষণের সাথে মিলে যায়।

📖

শব্দ

মিথ্যা নেতিবাচক (False Negative)

টাইপ II ত্রুটি যেখানে মডেলটি ভুলভাবে নেতিবাচক শ্রেণী ভবিষ্যদ্বাণী করে, যা প্রকৃতপক্ষে ইতিবাচক পর্যবেক্ষণগুলির সনাক্তকরণের অভাবকে উপস্থাপন করে।

📖

শব্দ

রিকল (Recall/Sensitivity)

সমস্ত ইতিবাচক পর্যবেক্ষণ সনাক্ত করার মডেলের ক্ষমতা, TP/(TP+FN) অনুপাত দ্বারা পরিমাপ করা হয় যা লক্ষ্য শ্রেণীর সনাক্তকরণ হার নির্দেশ করে।

📖

শব্দ

ত্রুটি হার (Error Rate)

মডেল দ্বারা ভুলভাবে শ্রেণীবদ্ধ করা পর্যবেক্ষণের অনুপাত, (FP+FN)/(মোট) হিসাবে গণনা করা হয় যা সামগ্রিক ত্রুটি কর্মক্ষমতা উপস্থাপন করে।

📖

শব্দ

সঠিকতা (Accuracy)

সঠিক ভবিষ্যদ্বাণীর সামগ্রিক অনুপাত, (TP+TN)/(মোট) হিসাবে গণনা করা হয়, যা শ্রেণীবদ্ধকারীর সাধারণ কর্মক্ষমতা পরিমাপ করে।

📖

শব্দ

সুষম সঠিকতা (Balanced Accuracy)

প্রতিটি শ্রেণীর জন্য রিকলের গড়, যা ভারসাম্যহীন ডেটাসেটগুলির জন্য উপযুক্ত একটি মেট্রিক প্রদান করে সমস্ত শ্রেণীকে সমান ওজন দিয়ে।

📖

শব্দ

MCC (ম্যাথিউস করেলেশন কোএফিসিয়েন্ট)

বাইনারি পর্যবেক্ষণ এবং ভবিষ্যদ্বাণীর মধ্যে পারস্পরিক সম্পর্কের সহগ, যা ভারসাম্যহীন শ্রেণীর জন্যও একটি শক্তিশালী পরিমাপ হিসেবে বিবেচিত।

📖

শব্দ

প্রিসিশন-রিকল কার্ভ

বিভিন্ন থ্রেশহোল্ডের জন্য প্রিসিশন বনাম রিকল প্লট করা গ্রাফ, ভারসাম্যহীন ডেটাসেটে পারফরম্যান্স মূল্যায়নের জন্য বিশেষভাবে উপযোগী।