गणितीय मॉडल की व्यावहारिक जानकारी: ओवरफिटिंग, गुणवत्ता का मूल्यांकन, परिणामों की जाँच और निष्कर्षों की सीमाएँ।
मॉडल के निष्कर्षों को काम की शर्तों और मूल्यांकन के तरीके से मिलाकर देखें। उदाहरण और जाँच के चरण ओवरफिटिंग पहचानने और अविश्वसनीय परिणामों को समझने में मदद करते हैं।
scikit-learn में दोहरे वर्गीकरण कार्यों में झूठे सकारात्मक दरों को न्यूनतम करने के लिए सटीकता-उन्मुख मेट्रिक्स, थ्रेशोल्ड विश्लेषण और भ्रम मैट्रिक्स विघटन चुनने की एक व्यावहारिक मार्गदर्शिका।
एक व्यावहारिक गाइड जो एक अलग मान्यकरण सेट और scikit-learn कन्फ्यूजन मैट्रिक्स का उपयोग करके फॉल्स-पॉजिटिव और फॉल्स-नेगेटिव लागत को भारित करके निर्णय थ्रेशोल्ड चुनने पर चर्चा करती है।
मीन एब्सोल्यूट एरर (MAE) और रूट मीन स्क्वेयर्ड एरर (RMSE) के बीच के अंतरों को समझें, अपनी भविष्यवाणी कार्य के लिए सही मीट्रिक कैसे चुनें, और प्रत्येक पर बड़े त्रुटियों के प्रभाव को जानें।
प्रेडिक्शन इंटरवल भविष्य के व्यक्तिगत अवलोकन को समाहित करने का लक्ष्य रखते हैं, जबकि कॉन्फिडेंस इंटरवल मीन या अन्य पैरामीटर को लक्षित करते हैं; ये बदले में नहीं लाए जा सकते। एम्पिरिकल कवरेज इंटरवल के अंदर होल्ड-आउट अंश है और विड्थ क्वांटाइल सीमाओं के बीच की दूरी है; एक निर्मित पाँच-मान उदाहरण 80 प्रतिशत कवरेज और माध्य विड्थ 1.8 देता है।
अलग आकार वाले समूहों का संयुक्त औसत 15 के बजाय 18 क्यों है, इसे एक छोटे Python उदाहरण से समझें।
प्रशिक्षण और सत्यापन को साथ पढ़ें, पूर्व-प्रसंस्करण pipeline में सीखें और अंतिम परीक्षण को पैरामीटर चयन से अलग रखें।
एक पिछले मौसम का संदर्भ बनाएं, बाद के अवलोकनों पर इसका मूल्यांकन करें और कैलेंडर संरेखण को रिसाव और गायब डेटा से अलग करें।
डेटा को समय के क्रम में बाँटें और उसे तैयार करने वाले चरण केवल पुराने प्रशिक्षण डेटा से सीखें।