এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
কে-ফোল্ড ক্রস ভ্যালিডেশন
ডেটাসেটকে কে সংখ্যক সমান পার্টিশনে ভাগ করে মডেল মূল্যায়নের কৌশল, যেখানে প্রতিটি পার্টিশন পালাক্রমে টেস্ট সেট হিসেবে ব্যবহৃত হয় এবং বাকি কে-১টি পার্টিশন ট্রেনিং সেট হিসেবে কাজ করে। এই পদ্ধতি মডেল পারফরম্যান্সের ভ্যারিয়েন্স কমিয়ে আরও রোবাস্ট এস্টিমেশন দেয়।
স্ট্র্যাটিফাইড কে-ফোল্ড ক্রস ভ্যালিডেশন
কে-ফোল্ডের একটি ভেরিয়েন্ট যা প্রতিটি পার্টিশনে ক্লাস ডিস্ট্রিবিউশন বজায় রাখে, আনব্যালান্সড ডেটাসেটের জন্য অত্যন্ত গুরুত্বপূর্ণ। এই পদ্ধতি নিশ্চিত করে যে প্রতিটি ফোল্ড মূল ডেটাসেটের গ্লোবাল ক্লাস ডিস্ট্রিবিউশনকে সঠিকভাবে প্রতিফলিত করে।
হোল্ডআউট মেথড
ডেটাসেটকে দুটি আলাদা সেটে ভাগ করে সরল মূল্যায়ন পদ্ধতি: ট্রেনিং এবং টেস্ট, সাধারণত ৭০/৩০ বা ৮০/২০ অনুপাতে। দ্রুত বাস্তবায়নযোগ্য হলেও, ডেটা পার্টিশন করার উপরের ভিত্তিতে এই পদ্ধতি বায়াসড পারফরম্যান্স এস্টিমেশন তৈরি করতে পারে।
রিপিটেড ক্রস ভ্যালিডেশন
বিভিন্ন র্যান্ডম পার্টিশন দিয়ে কে-ফোল্ড প্রক্রিয়া কয়েকবার পুনরাবৃত্তি করে পারফরম্যান্স এস্টিমেশনের ভ্যারিয়েন্স কমানোর কৌশল। এই পদ্ধতি কে-ফোল্ডের সুবিধার সাথে বর্ধিত স্ট্যাটিস্টিক্যাল রোবাস্টনেস যুক্ত করে, যদিও কম্পিউটেশনাল কস্ট বেশি।
বুটস্ট্র্যাপ ভ্যালিডেশন
মূল ডেটা থেকে রিপ্লেসমেন্ট সহ স্যাম্পলিং ব্যবহার করে একাধিক ট্রেনিং ও টেস্ট সেট তৈরি করে মূল্যায়নের পদ্ধতি। বুটস্ট্র্যাপ মডেল পারফরম্যান্সের ভ্যারিয়েন্স এস্টিমেট করতে সাহায্য করে এবং ছোট আকারের ডেটাসেটের জন্য বিশেষভাবে উপযোগী।
গ্রিড সার্চ উইথ ক্রস ভ্যালিডেশন
সিস্টেমেটিক অপ্টিমাইজেশন কৌশল যা নির্দিষ্ট হাইপারপ্যারামিটারগুলোর সমস্ত কম্বিনেশন এক্সহস্টিভলি টেস্ট করে, প্রতিটি কনফিগারেশন মূল্যায়নের জন্য ক্রস ভ্যালিডেশন ব্যবহার করে। এই পদ্ধতি ডিফাইনড গ্রিডে সেরা কম্বিনেশন খুঁজে পেতে গ্যারান্টি দেয় কিন্তু ক্যালকুলেশন কস্ট খুব বেশি হতে পারে।
র্যান্ডমাইজড সার্চ উইথ ক্রস ভ্যালিডেশন
গ্রিড সার্চের বিকল্প যা সমস্ত সম্ভাবনা এক্সপ্লোর করার পরিবর্তে একটি ফিক্সড সংখ্যক হাইপারপ্যারামিটার কম্বিনেশন র্যান্ডমলি স্যাম্পল করে। এই পদ্ধতি গ্রিড সার্চের চেয়ে কম ইভ্যালুয়েশনে ভাল হাইপারপ্যারামিটার খুঁজে পেতে প্রায়শই বেশি এফিসিয়েন্ট।
লার্নিং কার্ভ
ট্রেনিং সেটের সাইজের উপর ভিত্তি করে মডেল পারফরম্যান্সের ইভোলিউশন দেখানো গ্রাফ, ওভারফিটিং বা আন্ডারফিটিং ডায়াগনোস করতে ব্যবহৃত হয়। লার্নিং কার্ভস সাহায্য করে নির্ধারণ করতে যে আরও ডেটা মডেল পারফরম্যান্স উন্নত করতে পারে কিনা।
ভ্যালিডেশন কার্ভ
একটি ডায়াগনস্টিক টুল যা একটি একক হাইপারপ্যারামিটারের প্রশিক্ষণ এবং ভ্যালিডেশন পারফরম্যান্সের উপর প্রভাব ভিজ্যুয়ালাইজ করে। ভ্যালিডেশন কার্ভ হাইপারপ্যারামিটারের সর্বোত্তম মান চিহ্নিত করতে এবং বায়াস-ভ্যারিয়েন্স সমস্যা সনাক্ত করতে সাহায্য করে।
ক্রস-এনট্রপি
দুটি সম্ভাব্যতা বন্টনের মধ্যে ডাইভারজেন্স পরিমাপকারী একটি লস ফাংশন, যা ক্লাসিফিকেশন সমস্যায় ব্যাপকভাবে ব্যবহৃত হয়। ক্রস-এনট্রপি ভুল ভবিষ্যদ্বাণীগুলিকে আরও বেশি জোর দিয়ে শাস্তি দেয় যখন তারা আত্মবিশ্বাসী হয়, যা এটিকে একটি চমৎকার প্রশিক্ষণ মেট্রিক করে তোলে।
গড় বর্গ ত্রুটি
ভবিষ্যদ্বাণীকৃত এবং প্রকৃত মানের মধ্যে পার্থক্যের বর্গের গড় গণনা করে এমন একটি মূল্যায়ন মেট্রিক, যা বড় ত্রুটিগুলোর প্রতি বিশেষভাবে সংবেদনশীল। এমএসই সাধারণত রিগ্রেশন সমস্যার জন্য ব্যবহৃত হয় এবং এমএই-এর চেয়ে বড় ত্রুটিগুলোকে বেশি শাস্তি দেয়।
গড় পরম ত্রুটি
ভবিষ্যদ্বাণী এবং প্রকৃত মানের মধ্যে ত্রুটির পরম মানের গড় পরিমাপকারী একটি রিগ্রেশন মেট্রিক, যা টার্গেট ভেরিয়েবলের এককে সরাসরি ব্যাখ্যা প্রদান করে। এমএসই-এর বিপরীতে, এমএই আউটলায়ারদের প্রতি কম সংবেদনশীল এবং গড় পরম ত্রুটি উপস্থাপন করে।
আর-স্কোয়ার স্কোর
টার্গেট ভেরিয়েবলের ভ্যারিয়েন্সের অনুপাত পরিমাপকারী নির্ধারণ সহগ, যা -∞ থেকে ১ পর্যন্ত পরিবর্তিত হয়। ১ আর-স্কোয়ার একটি নিখুঁত ভবিষ্যদ্বাণী নির্দেশ করে, যখন নেতিবাচক মানগুলি পরামর্শ দেয় যে মডেলটি একটি সাধারণ গড়ের চেয়ে কম কার্যকরী।
এফ১-স্কোর
প্রিসিশন এবং রিকলের হারমোনিক গড় গণনা করে এমন একটি ক্লাসিফিকেশন মেট্রিক, যা ভারসাম্যহীন ডেটাসেটের জন্য বিশেষভাবে উপযোগী। এফ১-স্কোর একটি একক পরিমাপে মডেলের মিথ্যা পজিটিভ এবং মিথ্যা নেগেটিভ এড়ানোর ক্ষমতার ভারসাম্য বজায় রাখে।
প্রিসিশন-রিকাল কার্ভ
বিভিন্ন ক্লাসিফিকেশন থ্রেশহোল্ডের জন্য প্রিসিশন এবং রিকলের মধ্যে ট্রেড-অফ চিত্রিতকারী গ্রাফ, যা ভারসাম্যহীন ডেটাতে মডেল মূল্যায়নের জন্য অপরিহার্য। এই কার্ভের অধীনে এলাকা (এইউসি-পিআর) থ্রেশহোল্ড-স্বাধীন পারফরম্যান্সের একটি সমষ্টিগত পরিমাপ প্রদান করে।
আরওসি কার্ভ
বিভিন্ন ডিসিশন থ্রেশহোল্ডে সত্য পজিটিভ রেট বনাম মিথ্যা পজিটিভ রেট উপস্থাপনকারী কার্ভ, যা মডেলের বৈষম্যমূলক ক্ষমতা ভিজ্যুয়ালাইজ করে। আরওসি কার্ভ এবং এর এলাকা (এইউসি-আরওসি) বাইনারি ক্লাসিফায়ারগুলির সামগ্রিক পারফরম্যান্স মূল্যায়নের জন্য স্ট্যান্ডার্ড।
AUC স্কোর
একটি এলোমেলো ধনাত্মক উদাহরণের জন্য শ্রেণীবদ্ধকারী দ্বারা প্রদত্ত স্কোর একটি এলোমেলো ঋণাত্মক উদাহরণের চেয়ে বেশি হওয়ার সম্ভাবনা পরিমাপকারী ROC বক্ররেখার অধীনস্থ এলাকা। AUC একটি থ্রেশহোল্ড-স্বাধীন কার্যক্ষমতা পরিমাপ প্রদান করে, যা বিভিন্ন মডেল তুলনা করার জন্য বিশেষভাবে উপযোগী।
গ্রুপ কে-ফোল্ড ক্রস-ভ্যালিডেশন
কে-ফোল্ডের একটি বৈকল্পিক যা নিশ্চিত করে যে একই গ্রুপগুলি কখনই একই সময়ে বিভিন্ন প্রশিক্ষণ এবং পরীক্ষা সেটে উপস্থিত হয় না। এই পদ্ধতিটি তখন অত্যন্ত গুরুত্বপূর্ণ যখন ডেটাতে গ্রুপ কাঠামো (রোগী, ব্যবহারকারী) থাকে যেখানে একই গ্রুপের পর্যবেক্ষণগুলি পারস্পরিক সম্পর্কযুক্ত।