आंकलन और परीक्षण करना
![image9_2.png](https://storage.googleapis.com/media-newsinitiative/images/image9_2.original.png)
अपने मॉडल की आउटपुट की व्याख्या और उसके प्रदर्शन का आंकलन कैसे करें
![image9_2.png](https://storage.googleapis.com/media-newsinitiative/images/image9_2.original.png)
यथार्थता और स्मरण क्षमता
![image9_1.png](https://storage.googleapis.com/media-newsinitiative/images/image9_1.original.png)
मॉडल के प्रशिक्षित होने के पश्चात आप “Precision” और “Recall” के प्राप्तांक के साथ मॉडल प्रदर्शन का एक सारांश देखेंगे।
यथार्थता हमें बताती है कि मॉडल द्वारा पहचाने गए चित्रों के कितने अनुपात को वास्तव में सकारात्मक श्रेणी में रखा जाना चाहिये था। दूसरी ओर स्मरण क्षमता हमें बताती है कि सकारात्मक चित्रों का कितना अनुपात वास्तव में ठीक पहचाना गया था।
97% से अधिक प्राप्तांक के साथ हमारे मॉडल ने दोनों श्रेणीयों में अत्यंत अच्छा प्रदर्शन दिखाया है। आयें, विस्तार में देखें कि उसका क्या तात्पर्य है।
![image9_1.png](https://storage.googleapis.com/media-newsinitiative/images/image9_1.original.png)
मॉडल प्रदर्शन का आंकलन करना
![image4_4.png](https://storage.googleapis.com/media-newsinitiative/images/image4_4.original.png)
![image14_2.png](https://storage.googleapis.com/media-newsinitiative/images/image14_2.original.png)
![image24_2.png](https://storage.googleapis.com/media-newsinitiative/images/image24_2.original.png)
शीर्ष मैन्यू में “Evaluate” पर क्लिक करें और आयें इंटरफ़ेस की खोजबीन करें। प्रथम, यह हमें एक बार पुन: यथार्थता और स्मरण क्षमता में प्राप्तांक दिखाता है। हमारे मामले में, यथार्थता के प्राप्तांक हमें बताते हैं कि उदाहरणों के रूप में मॉडल द्वारा एंबर खनन के परीक्षण चित्रों में से 97% वास्तव में एंबर खनन के चिन्ह दिखाते हैं।
दूसरी ओर, स्मरण क्षमता के प्राप्तांक हमें बताते हैं कि मॉडल द्वारा एंबर खनन के उदाहरण दिखाते परीक्षण चित्रों को उस प्रकार से ठीक लेबल किया गया था।
विश्वास के उस स्तर को विश्वास सीमा कहते है जिस पर मॉडल द्वारा एक लेबल निर्धारित करना होता है। यह जितना कम होगा, वह मॉडल चित्रों का उतना ही अधिक वर्गीकरण करेगा, परन्तु इसमें कुछ चित्रों के अवास्तविक वर्गीकरण का जोखिम अधिक होगा।
यदि आप गहन अध्ययन और यथार्थता-स्मरण क्षमता वक्र रेखाओं की खोजबीन करना चाहें, तो अधिक जानकारी के लिये इंटरफ़ेस पर दिये लिंक का अनुसरण करें।
![image4_4.png](https://storage.googleapis.com/media-newsinitiative/images/image4_4.original.png)
![image14_2.png](https://storage.googleapis.com/media-newsinitiative/images/image14_2.original.png)
![image24_2.png](https://storage.googleapis.com/media-newsinitiative/images/image24_2.original.png)
अवास्तविक सकरात्मक और अवास्तविक नकारात्मक
![image53_1.png](https://storage.googleapis.com/media-newsinitiative/images/image53_1.original.png)
![image3_2.png](https://storage.googleapis.com/media-newsinitiative/images/image3_2.original.png)
![image3_2_FQIzpQT.png](https://storage.googleapis.com/media-newsinitiative/images/image3_2_FQIzpQT.original.png)
![image49_2.png](https://storage.googleapis.com/media-newsinitiative/images/image49_2.original.png)
![image33_4.png](https://storage.googleapis.com/media-newsinitiative/images/image33_4.original.png)
आगे, आयें Confusion Matrix पर दृष्टि डालें। नीली पृष्ठभूमि पर जितने अधिक प्राप्तांक होंगे, मॉडल का उतना ही बेहतर प्रदर्शन होगा। इस उदाहरण में, प्राप्तांक अत्यंत अच्छे हैं।
वे सब चित्र जिन्हें मॉडल द्वारा नकारात्मक लेबल के लिए पहचाना जाना चाहिये था (कोई एंबर खनन नहीं) पहचाने गए और चित्रों में एंबर खनन के चिन्ह दर्शाते 82% चित्रों को उस प्रकार से ठीक लेबल किया गया था।
कोई असत्य सकरात्मक नहीं है - किसी भी चित्र को एंबर खनन के उदाहरण की तरह गलत लेबल नहीं किया गया था - और मॉडल द्वारा एंबर खनन के चिन्ह दर्शाते केवल 12% चित्रों को ही असत्य नकारात्मक चित्र के रूप में नहीं पहचाना जा सका था।
हमारी गैरकानूनी एंबर खनन विवेचना के प्रयोजन हेतु यह अच्छा है : वास्तव में एंबर खनन दर्शाते गलत चित्रों को साक्ष्य के रूप में प्रस्तुत करने से कुछ सकारात्मक उदाहरण न दिखाना अच्छा है।
यदि आप यह देखना चाहें कि मॉडल द्वारा परीक्षण चित्रों का ठीक अथवा गलत वर्गीकरण हुआ है तो बाईं ओर दिये फिल्टरों पर क्लिक करें।
यह अभी भी निश्चित नहीं है कि आप मॉडल पर विश्वास कर सकते हैं? यह देखने कि मॉडल ने उन्हें ठीक लेबल किया है अथवा नहीं, आप “Test & Use” पर क्लिक करके बिलकुल नये - एंबर खनन चिन्हों को दर्शाते अथवा उनके बिना - सेटलाइट चित्रों को अपलोड कर सकते हैं।
![image53_1.png](https://storage.googleapis.com/media-newsinitiative/images/image53_1.original.png)
![image3_2.png](https://storage.googleapis.com/media-newsinitiative/images/image3_2.original.png)
![image3_2_FQIzpQT.png](https://storage.googleapis.com/media-newsinitiative/images/image3_2_FQIzpQT.original.png)
![image49_2.png](https://storage.googleapis.com/media-newsinitiative/images/image49_2.original.png)
![image33_4.png](https://storage.googleapis.com/media-newsinitiative/images/image33_4.original.png)
पुन: परीक्षण और प्रशिक्षण
![image29_2.png](https://storage.googleapis.com/media-newsinitiative/images/image29_2.original.png)
पूरा करने से पूर्व कुछ निर्णायक विचार :
आप सोच रहे होंगे कि जब हमनें आरम्भ में ही ठीक उत्तर बता दिये थे, तो यह गलत उत्तर क्यों प्राप्त कर रहा है। यदि ऐसा है तो संभवत: आप पिछले पाठ में वर्णित प्रशिक्षण, प्रमाणीकरण और परीक्षण संग्रहों के विभाजन की समीक्षा करना चाहेंगे।
इस उदाहरण के लिये, लगभग सभी चित्रों का ठीक वर्गीकरण किया गया था। परन्तु सदैव ऐसा नहीं होगा। यदि आप अपने मॉडल के प्रदर्शन से संतुष्ट नहीं है, तो आप कभी भी अपने आंकड़ों के संग्रह को अपडेट और सुधार व मॉडल को पुन:प्रशिक्षित कर सकते हैं। आप ध्यानपूर्वक विश्लेषण कर सकते है कि पहली बार में क्या गलत हो गया था और, उदाहरणार्थ, अपने प्रशिक्षण के संग्रहों में मॉडल द्वारा गलत वर्गीकृत किये चित्रों जैसे अन्य चित्र जोड़ सकते हैं।
मनुष्यों के लिये लर्निंग एक आनुक्रमिक प्रक्रिया है।
![image29_2.png](https://storage.googleapis.com/media-newsinitiative/images/image29_2.original.png)
-
उन्नत खोज: परिशुद्धता के साथ शोध करना।
लेसनबेहतर परिणाम, तेज़ी से प्राप्त करने में आपकी सहायता के लिए सरल टूल और युक्तियाँ। -
खोज करने से जुड़े Google के प्रॉडक्ट की मदद से ट्रैफ़िक बढ़ाएं
लेसनअपनी खबरें ढूंढने में ज़्यादा से ज़्यादा लोगों को मदद करें -
Flutter की मदद से खबरें देने वाले ऐप्लिकेशन बनाएं
लेसनऐप्लिकेशन डेवलप करने में लगने वाले समय को 80% तक कम करें