এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
প্রিসিশন (Precision)
মডেলের করা সমস্ত ধনাত্মক ভবিষ্যদ্বাণীর মধ্যে সঠিক ধনাত্মক ভবিষ্যদ্বাণীর অনুপাত মূল্যায়নকারী মেট্রিক। এটি মিথ্যা ধনাত্মক কমিয়ে ধনাত্মক ভবিষ্যদ্বাণীর গুণমান পরিমাপ করে।
রিকল (Recall)
ডেটাসেটে সমস্ত প্রকৃত ধনাত্মক উদাহরণ সঠিকভাবে চিহ্নিত করার মডেলের ক্ষমতা পরিমাপকারী সূচক। রিকল মিথ্যা নেতিবাচক হ্রাস করে ধনাত্মক ভবিষ্যদ্বাণীর সম্পূর্ণতা পরিমাপ করে।
এফ১-স্কোর
প্রিসিশন এবং রিকলের হারমোনিক গড়, যা এই দুটি প্রায়শই বিরোধী মেট্রিকের মধ্যে ভারসাম্য প্রদান করে। এফ১-স্কোর অসমতাপূর্ণ ক্লাসের জন্য বিশেষভাবে উপযোগী যেখানে শুধুমাত্র প্রিসিশন বা শুধুমাত্র রিকল বিভ্রান্তিকর হবে।
এফ-বিটা স্কোর
এফ১-স্কোরের সাধারণীকরণ যা বিটা প্যারামিটার অনুযায়ী প্রিসিশন এবং রিকলকে ভিন্নভাবে ওজন দেয়। এই মেট্রিকটি ডোমেইনের নির্দিষ্ট প্রয়োজন অনুযায়ী হয় প্রিসিশন (বিটা<১) বা রিকল (বিটা>১) পক্ষে সমন্বয় করে।
কনফিউশন ম্যাট্রিক্স
ভবিষ্যদ্বাণীগুলিকে প্রকৃত মানের সাথে তুলনা করে একটি শ্রেণীবিভাগ মডেলের কর্মক্ষমতা সংক্ষিপ্তকারী কন্টিনজেন্সি টেবিল। এটি ফলাফলগুলিকে সত্য ধনাত্মক, মিথ্যা ধনাত্মক, সত্য নেতিবাচক এবং মিথ্যা নেতিবাচক হিসাবে বিভক্ত করে বিশদ বিশ্লেষণের জন্য।
সত্য ধনাত্মক (True Positive)
মডেল দ্বারা সঠিকভাবে ধনাত্মক হিসাবে শ্রেণীবদ্ধ উদাহরণ, যা লক্ষ্য শ্রেণীর জন্য একটি সফল ভবিষ্যদ্বাণী প্রতিনিধিত্ব করে। সত্য ধনাত্মকগুলি রিকল গণনার লব গঠন করে এবং প্রিসিশনের হর-এ অবদান রাখে।
মিথ্যা ধনাত্মক (False Positive)
মডেল দ্বারা ভুলভাবে ধনাত্মক হিসাবে ভবিষ্যদ্বাণী করা নেতিবাচক উদাহরণ, যা টাইপ I ত্রুটির সাথে সঙ্গতিপূর্ণ। মিথ্যা ধনাত্মকগুলি প্রিসিশনকে নেতিবাচকভাবে প্রভাবিত করে কিন্তু সরাসরি ধনাত্মক শ্রেণীর রিকলকে প্রভাবিত করে না।
সত্য নেতিবাচক (True Negative)
মডেল দ্বারা সঠিকভাবে নেতিবাচক হিসাবে চিহ্নিত উদাহরণ, যা অপ্রাসঙ্গিক ক্ষেত্রগুলি প্রত্যাখ্যান করার তার ক্ষমতা প্রদর্শন করে। সংখ্যাগরিষ্ঠ শ্রেণীতে মডেলের নির্দিষ্টতা মূল্যায়নের জন্য সত্য নেতিবাচকগুলি অপরিহার্য।
ফলস নেগেটিভ (False Negative)
মডেল দ্বারা মিস করা পজিটিভ উদাহরণ যা ভুলভাবে নেগেটিভ হিসেবে শ্রেণীবদ্ধ করা হয়েছে, যা টাইপ II ত্রুটির প্রতিনিধিত্ব করে। ফলস নেগেটিভ সরাসরি রিকল হ্রাস করে এবং প্রয়োগের ডোমেনের উপর নির্ভর করে গুরুতর পরিণতি হতে পারে।
গড় প্রিসিশন (Average Precision)
প্রিসিশন-রিকল কার্ভকে সংক্ষিপ্ত করে এমন একটি মেট্রিক যা প্রতিটি রিকল থ্রেশহোল্ডে প্রিসিশনের ওয়েটেড গড় গণনা করে। এটি অবজেক্ট ডিটেকশন সিস্টেম এবং ইনফরমেশন রিট্রিভাল সিস্টেমের মূল্যায়নের জন্য বিশেষভাবে উপযুক্ত।
AUC-PR স্কোর
প্রিসিশন-রিকল কার্ভের অধীনে এলাকা, যা ক্লাসিফিকেশন থ্রেশহোল্ড নির্বিশেষে মডেলের সামগ্রিক কর্মক্ষমতা পরিমাপ করে। AUC-ROC-এর বিপরীতে, AUC-PR সংখ্যালঘু ক্লাসের কর্মক্ষমতায় বেশি সংবেদনশীল।
সেন্সিটিভিটি (Sensitivity)
রিকলের সমার্থক, যা মডেল দ্বারা সঠিকভাবে চিহ্নিত প্রকৃত পজিটিভ কেসের অনুপাত পরিমাপ করে। চিকিৎসা প্রয়োগে সেন্সিটিভিটি অত্যন্ত গুরুত্বপূর্ণ যেখানে পজিটিভ কেস শনাক্তকরণ অগ্রাধিকারপ্রাপ্ত।
স্পেসিফিসিটি (Specificity)
নেগেটিভ উদাহরণগুলি সঠিকভাবে শনাক্ত করার মডেলের ক্ষমতা, প্রকৃত নেগেটিভের মোট সংখ্যার উপর সত্য নেগেটিভের অনুপাত হিসাবে গণনা করা হয়। স্পেসিফিসিটি সমস্ত ক্লাসের কর্মক্ষমতা মূল্যায়নের জন্য রিকলের পরিপূরক।
সামঞ্জস্যপূর্ণ নির্ভুলতা (Balanced Accuracy)
সেন্সিটিভিটি এবং স্পেসিফিসিটির গাণিতিক গড়, যা ভারসাম্যহীন ডেটাসেটে পক্ষপাত সংশোধন করে। এই মেট্রিকটি সংখ্যাগুরু এবং সংখ্যালঘু উভয় ক্লাসের কর্মক্ষমতার সাথে সমানভাবে আচরণ করে।
প্রিসিশন-রিকল কার্ভ
বিভিন্ন ক্লাসিফিকেশন থ্রেশহোল্ডের জন্য প্রিসিশন বনাম রিকল প্লট করা দ্বি-মাত্রিক গ্রাফ। এই ভিজ্যুয়ালাইজেশন প্রিসিশন এবং রিকলের মধ্যে ট্রেড-অফ বিশ্লেষণ এবং সর্বোত্তম থ্রেশহোল্ড নির্বাচন করতে সক্ষম করে।
জ্যাকার্ড স্কোর
দুটি সেটের মধ্যে সাদৃশ্য পরিমাপ করে তাদের সংযোগের উপর তাদের ছেদের অনুপাত হিসাবে। শ্রেণীবিভাগে, জ্যাকার্ড স্কোর পূর্বাভাসিত পজিটিভ এবং প্রকৃত পজিটিভ উদাহরণের সেটগুলির মধ্যে সঙ্গতি মূল্যায়ন করে।
টপ-কে প্রিসিশন
মডেলের সবচেয়ে আত্মবিশ্বাসী কে-টি পূর্বাভাসের মধ্যে সঠিক পূর্বাভাসের অনুপাত মূল্যায়নকারী মেট্রিক। এটি বিশেষভাবে সুপারিশ সিস্টেমের জন্য প্রাসঙ্গিক যেখানে শুধুমাত্র শীর্ষের পরামর্শগুলি ব্যবহারকারীর কাছে উপস্থাপন করা হয়।
টপ-কে রিকল
ঐতিহ্যগত রিকলের একটি সম্প্রসারণ যা মডেলের সবচেয়ে সম্ভাব্য কে-টি পূর্বাভাসে সীমাবদ্ধ। এই মেট্রিকটি মোট পূর্বাভাসের একটি উপসেট বিবেচনা করে প্রাসঙ্গিক উদাহরণগুলিকে কভার করার সিস্টেমের ক্ষমতা পরিমাপ করে।