ஒரு இயந்திரக் கற்றல் மாதிரி சரியாகப் பயிற்றுவிக்கப்பட்டுள்ளதா என்பதைத் தீர்மானிப்பது மாதிரி மேம்பாட்டு செயல்முறையின் முக்கியமான அம்சமாகும். ஒரு மாதிரியின் செயல்திறனை மதிப்பிடுவதில் துல்லியம் ஒரு முக்கியமான மெட்ரிக் (அல்லது ஒரு முக்கிய மெட்ரிக்) என்றாலும், அது நன்கு பயிற்சி பெற்ற மாதிரியின் ஒரே குறிகாட்டியாக இருக்காது. 90% க்கு மேல் துல்லியத்தை அடைவது அனைத்து இயந்திர கற்றல் பணிகளுக்கும் உலகளாவிய வரம்பு அல்ல. குறிப்பிட்ட சிக்கலைப் பொறுத்து ஏற்றுக்கொள்ளக்கூடிய துல்லியத்தின் அளவு மாறுபடும்.
துல்லியம் என்பது அனைத்து கணிப்புகளிலிருந்தும் மாதிரி எவ்வளவு அடிக்கடி சரியான கணிப்புகளைச் செய்கிறது என்பதற்கான அளவீடு ஆகும். கணிப்புகளின் மொத்த எண்ணிக்கையால் வகுக்கப்பட்ட சரியான கணிப்புகளின் எண்ணிக்கையாக இது கணக்கிடப்படுகிறது. இருப்பினும், துல்லியம் மட்டும் ஒரு மாதிரியின் செயல்திறனின் முழுமையான படத்தை வழங்காது, குறிப்பாக தரவுத்தொகுப்பு சமநிலையற்ற சந்தர்ப்பங்களில், அதாவது ஒவ்வொரு வகுப்பின் நிகழ்வுகளின் எண்ணிக்கையிலும் குறிப்பிடத்தக்க வேறுபாடு உள்ளது.
துல்லியத்துடன் கூடுதலாக, துல்லியம், நினைவுபடுத்துதல் மற்றும் F1 மதிப்பெண் போன்ற பிற மதிப்பீட்டு அளவீடுகள் பொதுவாக இயந்திர கற்றல் மாதிரியின் செயல்திறனை மதிப்பிடுவதற்குப் பயன்படுத்தப்படுகின்றன. துல்லியமானது அனைத்து நேர்மறை கணிப்புகளிலிருந்து உண்மையான நேர்மறை கணிப்புகளின் விகிதத்தை அளவிடுகிறது, அதே சமயம் நினைவுகூருதல் அனைத்து உண்மையான நேர்மறைகளிலிருந்து உண்மையான நேர்மறை கணிப்புகளின் விகிதத்தை கணக்கிடுகிறது. F1 மதிப்பெண் என்பது துல்லியம் மற்றும் நினைவுகூருதலின் இணக்கமான சராசரி மற்றும் இரண்டு அளவீடுகளுக்கு இடையில் சமநிலையை வழங்குகிறது.
ஒரு மாதிரி சரியாகப் பயிற்றுவிக்கப்பட்டுள்ளதா என்பதைத் தீர்மானிக்கும்போது, பிரச்சனையின் குறிப்பிட்ட தேவைகளைக் கருத்தில் கொள்வது அவசியம். எடுத்துக்காட்டாக, மருத்துவ நோயறிதல் பணியில், துல்லியமான கணிப்புகளை உறுதி செய்வதற்கும் தவறான நோயறிதல்களைத் தவிர்ப்பதற்கும் உயர் துல்லியத்தை அடைவது மிகவும் முக்கியமானது. மறுபுறம், மோசடி கண்டறிதல் சூழ்நிலையில், சில தவறான நேர்மறைகளின் விலையில் கூட, முடிந்தவரை பல மோசடி வழக்குகளைப் பிடிக்க அதிக நினைவுகூருதல் மிகவும் முக்கியமானதாக இருக்கலாம்.
மேலும், ஒரு மாதிரியின் செயல்திறன் பயிற்சி தரவுகளில் மட்டுமல்ல, அதன் பொதுமைப்படுத்தல் திறன்களை மதிப்பிடுவதற்கு ஒரு தனி சரிபார்ப்பு தரவுத்தொகுப்பிலும் மதிப்பீடு செய்யப்பட வேண்டும். ஓவர் ஃபிட்டிங், ஒரு மாதிரியானது பயிற்சித் தரவில் சிறப்பாகச் செயல்படும் ஆனால் பார்க்கப்படாத தரவுகளில் மோசமாகச் செயல்படும் போது, சரிபார்ப்பு அளவீடுகள் மூலம் கண்டறிய முடியும். குறுக்கு சரிபார்ப்பு போன்ற நுட்பங்கள் அதிகப்படியான பொருத்துதலைத் தணிக்க உதவுவதோடு, மாடலின் செயல்திறனுக்கான மிகவும் உறுதியான மதிப்பீட்டை வழங்குகின்றன.
துல்லியமானது ஒரு மாதிரியின் செயல்திறனின் முக்கிய குறிகாட்டியாக இருந்தாலும், துல்லியம், நினைவுபடுத்துதல் மற்றும் F1 மதிப்பெண் போன்ற பிற அளவீடுகளையும், சிக்கல் களத்தின் குறிப்பிட்ட தேவைகளையும் கருத்தில் கொள்வது அவசியம். உலகளாவிய ரீதியில் பொருந்தக்கூடிய துல்லியத்திற்கான நிலையான வரம்பு எதுவும் இல்லை, மேலும் ஒரு மாதிரியின் மதிப்பீடு விரிவானதாக இருக்க வேண்டும், நிஜ-உலகப் பயன்பாடுகளில் அதன் செயல்திறனை உறுதிசெய்ய பல்வேறு அளவீடுகள் மற்றும் சரிபார்ப்பு நுட்பங்களை கணக்கில் எடுத்துக்கொள்ள வேண்டும்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/GCML கூகிள் கிளவுட் மெஷின் கற்றல்:
- டெக்ஸ்ட் டு ஸ்பீச் (TTS) என்றால் என்ன, அது AI உடன் எவ்வாறு செயல்படுகிறது?
- இயந்திர கற்றலில் பெரிய தரவுத்தொகுப்புகளுடன் பணிபுரிவதில் உள்ள வரம்புகள் என்ன?
- இயந்திர கற்றல் சில உரையாடல் உதவிகளை செய்ய முடியுமா?
- டென்சர்ஃப்ளோ விளையாட்டு மைதானம் என்றால் என்ன?
- பெரிய தரவுத்தொகுப்பு உண்மையில் என்ன அர்த்தம்?
- அல்காரிதத்தின் ஹைபர்பாராமீட்டர்களின் சில எடுத்துக்காட்டுகள் யாவை?
- இசையமைத்தல் கற்றல் என்றால் என்ன?
- தேர்ந்தெடுக்கப்பட்ட இயந்திர கற்றல் அல்காரிதம் பொருத்தமானதாக இல்லாவிட்டால் என்ன செய்வது மற்றும் சரியானதைத் தேர்ந்தெடுப்பதை எவ்வாறு உறுதிப்படுத்துவது?
- ஒரு இயந்திர கற்றல் மாதிரி அதன் பயிற்சியின் போது மேற்பார்வை தேவையா?
- நியூரல் நெட்வொர்க் அடிப்படையிலான அல்காரிதம்களில் பயன்படுத்தப்படும் முக்கிய அளவுருக்கள் யாவை?
EITC/AI/GCML Google Cloud Machine Learning இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க