एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
परिशुद्धता (Precision)
मॉडल द्वारा की गई सभी सकारात्मक भविष्यवाणियों में से सही सकारात्मक भविष्यवाणियों के अनुपात का मूल्यांकन करने वाला मैट्रिक। यह झूठी सकारात्मक भविष्यवाणियों को कम करके सकारात्मक भविष्यवाणियों की गुणवत्ता को मापता है।
रिकॉल (Recall)
डेटासेट में वास्तविक सकारात्मक उदाहरणों को सही ढंग से पहचानने की मॉडल की क्षमता को मापने वाला संकेतक। रिकॉल झूठी नकारात्मक भविष्यवाणियों को कम करके सकारात्मक भविष्यवाणियों की संपूर्णता को मात्रात्मक रूप से प्रस्तुत करता है।
F1-स्कोर
परिशुद्धता और रिकॉल का हार्मोनिक माध्य, जो इन दो अक्सर विरोधी मैट्रिक्स के बीच संतुलन प्रदान करता है। F1-स्कोर असंतुलित वर्गों के लिए विशेष रूप से उपयोगी है जहाँ केवल परिशुद्धता या केवल रिकॉल भ्रामक होगा।
F-बीटा स्कोर
F1-स्कोर का सामान्यीकरण जो बीटा पैरामीटर के अनुसार परिशुद्धता और रिकॉल को अलग-अलग तौलने की अनुमति देता है। यह मैट्रिक डोमेन की विशिष्ट आवश्यकताओं के अनुकूल होकर या तो परिशुद्धता (beta<1) या रिकॉल (beta>1) को प्राथमिकता देता है।
कन्फ्यूजन मैट्रिक्स
भविष्यवाणियों की वास्तविक मूल्यों से तुलना करके वर्गीकरण मॉडल के प्रदर्शन को संक्षेप में प्रस्तुत करने वाला आकस्मिकता तालिका। यह विस्तृत विश्लेषण के लिए परिणामों को सही सकारात्मक, झूठी सकारात्मक, सही नकारात्मक और झूठी नकारात्मक में विघटित करती है।
सही सकारात्मक (True Positive)
मॉडल द्वारा सही ढंग से सकारात्मक के रूप में वर्गीकृत उदाहरण, लक्ष्य वर्ग के लिए सफल भविष्यवाणी का प्रतिनिधित्व करता है। सही सकारात्मक रिकॉल की गणना में अंश बनाते हैं और परिशुद्धता के हर में योगदान करते हैं।
झूठी सकारात्मक (False Positive)
मॉडल द्वारा गलत तरीके से सकारात्मक के रूप में भविष्यवाणी की गई नकारात्मक उदाहरण, टाइप I त्रुटि के अनुरूप। झूठी सकारात्मक परिशुद्धता को नकारात्मक रूप से प्रभावित करती हैं लेकिन सकारात्मक वर्ग के रिकॉल को सीधे प्रभावित नहीं करती हैं।
सही नकारात्मक (True Negative)
मॉडल द्वारा सही ढंग से नकारात्मक के रूप में पहचाना गया उदाहरण, अप्रासंगिक मामलों को अस्वीकार करने की इसकी क्षमता को प्रदर्शित करता है। सही नकारात्मक बहुसंख्यक वर्गों पर मॉडल की विशिष्टता का मूल्यांकन करने के लिए आवश्यक हैं।
झूठा नकारात्मक (False Negative)
मॉडल द्वारा छूटा हुआ सकारात्मक उदाहरण जिसे गलती से नकारात्मक वर्गीकृत किया गया, जो टाइप II त्रुटि का प्रतिनिधित्व करता है। झूठे नकारात्मक सीधे रिकॉल को कम करते हैं और अनुप्रयोग क्षेत्र के आधार पर गंभीर परिणाम हो सकते हैं।
औसत परिशुद्धता (Average Precision)
प्रत्येक रिकॉल थ्रेशोल्ड पर परिशुद्धता के भारित औसत की गणना करके परिशुद्धता-रिकॉल वक्र को संक्षेप में प्रस्तुत करने वाला मैट्रिक। यह वस्तु पहचान प्रणालियों और सूचना खोज के मूल्यांकन के लिए विशेष रूप से उपयुक्त है।
AUC-PR स्कोर
परिशुद्धता-रिकॉल वक्र के नीचे का क्षेत्र, जो वर्गीकरण थ्रेशोल्ड से स्वतंत्र मॉडल के समग्र प्रदर्शन को मापता है। AUC-ROC के विपरीत, AUC-PR अल्पसंख्यक वर्गों पर प्रदर्शन के प्रति अधिक संवेदनशील है।
संवेदनशीलता (Sensitivity)
रिकॉल का पर्याय, मॉडल द्वारा सही ढंग से पहचाने गए वास्तविक सकारात्मक मामलों के अनुपात को मापता है। चिकित्सा अनुप्रयोगों में संवेदनशीलता महत्वपूर्ण है जहाँ सकारात्मक मामलों का पता लगाना प्राथमिकता है।
विशिष्टता (Specificity)
मॉडल की नकारात्मक उदाहरणों को सही ढंग से पहचानने की क्षमता, जिसकी गणना वास्तविक नकारात्मकों की कुल संख्या पर सही नकारात्मकों के अनुपात के रूप में की जाती है। विशिष्टता सभी वर्गों पर प्रदर्शन का मूल्यांकन करने के लिए रिकॉल को पूरक करती है।
संतुलित सटीकता (Balanced Accuracy)
संवेदनशीलता और विशिष्टता का अंकगणितीय औसत, असंतुलित डेटासेट में पूर्वाग्रहों को सही करता है। यह मैट्रिक बहुसंख्यक और अल्पसंख्यक वर्गों पर प्रदर्शन के साथ समान रूप से व्यवहार करता है।
परिशुद्धता-रिकॉल वक्र
विभिन्न वर्गीकरण थ्रेशोल्ड के लिए रिकॉल के फलन के रूप में परिशुद्धता को दर्शाने वाला द्वि-आयामी ग्राफ। यह विज़ुअलाइज़ेशन परिशुद्धता और रिकॉल के बीच समझौते का विश्लेषण करने और इष्टतम थ्रेशोल्ड का चयन करने की अनुमति देता है।
जैकर्ड स्कोर
दो समुच्चयों के बीच समानता को उनके प्रतिच्छेदन और संघ के अनुपात के रूप में मापने वाला मैट्रिक। वर्गीकरण में, जैकर्ड स्कोर भविष्यवाणी किए गए सकारात्मक और वास्तव में सकारात्मक उदाहरणों के समुच्चय के बीच सहमति का मूल्यांकन करता है।
टॉप-के प्रिसिजन
मॉडल की सबसे आत्मविश्वासी K भविष्यवाणियों में सही भविष्यवाणियों के अनुपात का मूल्यांकन करने वाला मेट्रिक। यह विशेष रूप से अनुशंसा प्रणालियों के लिए प्रासंगिक है जहां उपयोगकर्ता को केवल शीर्ष सुझाव प्रस्तुत किए जाते हैं।
टॉप-के रिकॉल
पारंपरिक रिकॉल का विस्तार जो मॉडल की सबसे संभावित K भविष्यवाणियों तक सीमित है। यह मेट्रिक सिस्टम की क्षमता को मापता है कि वह कुल भविष्यवाणियों के केवल एक उपसमुच्चय पर विचार करते हुए प्रासंगिक उदाहरणों को कवर कर सके।