ਕੋਈ ਮਾਡਲ ਬਹੁਤ ਵਧੀਆ ਅੰਕ ਲੈ ਕੇ ਵੀ ਬੇਕਾਰ ਕਿਉਂ ਹੋ ਸਕਦਾ ਹੈ?
ਜੇ ਮਾਡਲ ਦੀ ਪਰਖ ਉਸੇ ਡਾਟੇ ’ਤੇ ਕੀਤੀ ਜਾਵੇ ਜਿਸ ਤੋਂ ਉਸ ਨੇ ਸਿੱਖਿਆ ਸੀ, ਤਾਂ ਉਹ ਬਹੁਤ ਵਧੀਆ ਅੰਕ ਲੈ ਕੇ ਵੀ ਬੇਕਾਰ ਹੋ ਸਕਦਾ ਹੈ, ਕਿਉਂਕਿ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਸ ਨੇ ਨਵੇਂ ਗਾਹਕਾਂ ’ਤੇ ਲਾਗੂ ਹੋਣ ਵਾਲੀ ਗੱਲ ਸਿੱਖਣ ਦੀ ਬਜਾਏ ਉਹ ਉਦਾਹਰਨਾਂ ਯਾਦ ਕਰ ਲਈਆਂ ਹੋਣ।
ਪੈਂਟਰੀਬਾਕਸ ਨਾਂ ਦੇ ਇੱਕ ਕਾਲਪਨਿਕ 120-ਵਿਅਕਤੀਆਂ ਵਾਲੇ ਭੋਜਨ-ਕਿੱਟ ਗਾਹਕੀ ਕਾਰੋਬਾਰ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ, ਕੋਫ਼ੀ, ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਅਗਲੇ ਮਹੀਨੇ ਕਿਹੜੇ ਗਾਹਕ ਗਾਹਕੀ ਰੱਦ ਕਰਨਗੇ, ਤਾਂ ਜੋ ਗਾਹਕਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਵਾਲੀ ਟੀਮ ਉਨ੍ਹਾਂ ਨੂੰ ਪਹਿਲਾਂ ਫ਼ੋਨ ਕਰ ਸਕੇ। ਗਾਹਕ ਸੇਵਾ ਦੀ ਮੁਖੀ, ਸਿਆਨ, ਨੂੰ ਦਿੱਤੀ ਉਸ ਦੀ ਤਾਜ਼ਾ ਜਾਣਕਾਰੀ ਇਹ ਹੈ: 'ਮਾਡਲ A: 99% ਸਹੀਪਣ!! ਗਾਹਕ ਦੀ ਪਛਾਣ, ਡਾਕ ਕੋਡ, ਹਰ ਪਿਛਲੇ ਆਰਡਰ ਦੀ ਤਾਰੀਖ਼ ਸਮੇਤ 85 ਕਾਲਮ ਵਰਤਦਾ ਹੈ। ਮਾਡਲ B (ਸਰਲ, 2 ਕਾਲਮ): ਸਿਖਲਾਈ ਡਾਟੇ ਉੱਤੇ 69%, ਪਰਖ ਡਾਟੇ ਉੱਤੇ 68%। ਪਿਛਲੇ ਮਹੀਨੇ ਦੇ ਨਵੇਂ ਡਾਟੇ ਉੱਤੇ ਮਾਡਲ A: 71%। ਲਗਭਗ 30% ਗਾਹਕ ਹਰ ਮਹੀਨੇ ਗਾਹਕੀ ਰੱਦ ਕਰਦੇ ਹਨ।' ਸਿਆਨ ਜਾਣਨਾ ਚਾਹੁੰਦੀ ਹੈ ਕਿ ਕਿਹੜਾ ਮਾਡਲ ਵਰਤਿਆ ਜਾਵੇ ਅਤੇ 99% ਵਾਲੇ ਮਾਡਲ ਨੇ ਪਿਛਲੇ ਮਹੀਨੇ ਇੰਨਾ ਮਾੜਾ ਨਤੀਜਾ ਕਿਉਂ ਦਿੱਤਾ।
| ਮਾਡਲ | ਸਿਖਲਾਈ ਦੀ ਸਟੀਕਤਾ | ਸਟੀਕਤਾ ਦੀ ਜਾਂਚ ਕਰੋ | ਇਹ ਕੀ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ |
|---|---|---|---|
| ਮਾਡਲ A, 85 ਕਾਲਮ | 99% | 71% | ਓਵਰਫਿਟਿੰਗ: ਸਿਖਲਾਈ ਡਾਟੇ ਵਾਲੇ ਗਾਹਕਾਂ ਦੇ ਵੇਰਵੇ ਰੱਟ ਲਏ |
| ਮਾਡਲ B, 2 ਕਾਲਮ | 69% | 68% | ਅਧੂਰੀ ਸਿਖਲਾਈ: ਹਰ ਵਾਰ 'ਰਹਿੰਦਾ ਹੈ' ਦਾ ਅਨੁਮਾਨ ਲਾਉਣ ਨਾਲੋਂ ਮਾਮੂਲੀ ਹੀ ਬਿਹਤਰ |
ਤੁਸੀਂ ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਅੰਡਰਫਿਟਿੰਗ ਦੀ ਪਛਾਣ ਕਦਮ-ਦਰ-ਕਦਮ ਕਿਵੇਂ ਕਰਦੇ ਹੋ?
ਦੋਵਾਂ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਵਾਲੇ ਡਾਟਾ ਉੱਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਤੁਲਨਾ ਉਸ ਡਾਟਾ ਉੱਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਨਾਲ ਕਰੋ ਜੋ ਮਾਡਲ ਨੇ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ, ਅਤੇ ਫਿਰ ਦੋਵਾਂ ਦੀ ਤੁਲਨਾ ਇੱਕ ਸਧਾਰਨ ਮੂਲ ਮਾਪਦੰਡ ਨਾਲ ਕਰੋ। ਇਨ੍ਹਾਂ ਤਿੰਨ ਅੰਕਾਂ ਦਾ ਪੈਟਰਨ ਦੱਸਦਾ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਕਿਹੜੀ ਸਮੱਸਿਆ ਹੈ।
1. ਕੁਝ ਡਾਟਾ ਵੱਖ ਰੱਖੋ
ਸਿਖਲਾਈ ਤੋਂ ਪਹਿਲਾਂ ਟੈਸਟ ਲਈ ਡਾਟੇ ਦਾ ਇੱਕ ਸਮੂਹ ਵੱਖ ਰੱਖੋ ਜੋ ਮਾਡਲ ਨੂੰ ਕਦੇ ਨਾ ਦਿਖਾਇਆ ਜਾਵੇ। ਮਾਡਲ ਨੂੰ ਉਸੇ ਡਾਟੇ ਉੱਤੇ ਪਰਖਣਾ ਜਿਸ ਤੋਂ ਉਸ ਨੇ ਸਿੱਖਿਆ ਹੈ, ਇੱਕ ਬੁਨਿਆਦੀ ਗਲਤੀ ਹੈ, ਕਿਉਂਕਿ ਜੋ ਮਾਡਲ ਸਿਰਫ਼ ਦੇਖੀ ਹੋਈ ਚੀਜ਼ ਦੁਹਰਾਉਂਦਾ ਹੈ, ਉਹ ਪੂਰੇ ਅੰਕ ਲੈ ਲੈਂਦਾ ਹੈ ਪਰ ਕੋਈ ਪੂਰਵ-ਅਨੁਮਾਨ ਨਹੀਂ ਕਰਦਾ।
2. ਤੁਲਨਾ ਲਈ ਸ਼ੁਰੂਆਤੀ ਮਾਪ ਤੈਅ ਕਰੋ
ਪਤਾ ਲਗਾਓ ਕਿ ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ ਨੂੰ ਕਿੰਨਾ ਸਕੋਰ ਮਿਲੇਗਾ। ਪੈਂਟਰੀਬਾਕਸ ਵਿੱਚ ਹਰ ਮਹੀਨੇ ਲਗਭਗ 70% ਗਾਹਕ ਬਣੇ ਰਹਿੰਦੇ ਹਨ, ਇਸ ਲਈ ਹਰ ਕਿਸੇ ਲਈ 'ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ' ਦਾ ਅੰਦਾਜ਼ਾ ਲਾਉਣ ਨਾਲ ਲਗਭਗ 70% ਸਕੋਰ ਮਿਲਦਾ ਹੈ। ਇੱਕ ਲਾਭਦਾਇਕ ਮਾਡਲ ਦਾ ਸਕੋਰ ਇਸ ਤੋਂ ਸਪੱਸ਼ਟ ਤੌਰ ਉੱਤੇ ਵੱਧ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
3. ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਦੀ ਤੁਲਨਾ ਕਰੋ
ਸਿਖਲਾਈ ਵਿੱਚ ਉੱਚਾ ਸਕੋਰ ਪਰ ਟੈਸਟ ਵਿੱਚ ਉਸ ਤੋਂ ਬਹੁਤ ਘੱਟ ਸਕੋਰ ਓਵਰਫਿਟਿੰਗ ਦਾ ਸੰਕੇਤ ਹੈ। ਦੋਵਾਂ ਵਿੱਚ ਘੱਟ ਸਕੋਰ, ਜੋ ਤੁਲਨਾ ਦੇ ਆਧਾਰ ਦੇ ਨੇੜੇ ਹੋਣ, ਅੰਡਰਫਿਟਿੰਗ ਦਾ ਸੰਕੇਤ ਹਨ। ਦੋਵਾਂ ਵਿੱਚ ਮਿਲਦੇ-ਜੁਲਦੇ ਚੰਗੇ ਸਕੋਰ ਢੁਕਵੀਂ ਫਿਟਿੰਗ ਦਾ ਸੰਕੇਤ ਦਿੰਦੇ ਹਨ।
4. ਸਥਿਰਤਾ ਜਾਂਚੋ
ਕ੍ਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਵਿੱਚ ਸਿਖਲਾਈ ਡਾਟੇ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਉੱਤੇ ਮਾਡਲ ਨੂੰ ਕਈ ਵਾਰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਪਰਖਿਆ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਨਤੀਜਿਆਂ ਦੀ ਔਸਤ ਕੱਢੀ ਜਾਂਦੀ ਹੈ। ਜੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਦੇ ਸਕੋਰਾਂ ਵਿੱਚ ਵੱਡਾ ਫ਼ਰਕ ਹੋਵੇ, ਤਾਂ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
5. ਸਮੱਸਿਆ ਦੇ ਮੁਤਾਬਕ ਹੱਲ ਚੁਣੋ
ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਅੰਡਰਫਿਟਿੰਗ ਦੇ ਹੱਲ ਇੱਕ-ਦੂਜੇ ਦੇ ਉਲਟ ਹਨ, ਇਸ ਲਈ ਕੁਝ ਵੀ ਬਦਲਣ ਤੋਂ ਪਹਿਲਾਂ ਸਮੱਸਿਆ ਦੀ ਪਛਾਣ ਕਰੋ।
ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਅੰਡਰਫਿਟਿੰਗ ਨੂੰ ਕਿਵੇਂ ਠੀਕ ਕਰੀਏ?
ਓਵਰਫਿਟਿੰਗ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ ਸਰਲ ਬਣਾਓ ਜਾਂ ਉਸਦੇ ਡਾਟੇ ਨੂੰ ਅਸਲ ਹਾਲਾਤ ਦੀ ਬਿਹਤਰ ਨੁਮਾਇੰਦਗੀ ਕਰਨ ਵਾਲਾ ਬਣਾਓ। ਅੰਡਰਫਿਟਿੰਗ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ ਹੋਰ ਲਾਭਦਾਇਕ ਜਾਣਕਾਰੀ ਜਾਂ ਵਧੇਰੇ ਲਚਕ ਦਿਓ। ਸੌਖੇ ਸ਼ਬਦਾਂ ਵਿੱਚ:
ਓਵਰਫਿਟਿੰਗ ਲਈ
ਉਹ ਕਾਲਮ ਹਟਾਓ ਜੋ ਵਿਹਾਰ ਦੀ ਬਜਾਏ ਵਿਅਕਤੀਆਂ ਦੀ ਪਛਾਣ ਦੱਸਦੇ ਹਨ, ਜਿਵੇਂ ਗਾਹਕ ਦੀ ਪਛਾਣ ਸੰਖਿਆ; ਅਜਿਹਾ ਸਿਖਲਾਈ ਡਾਟਾ ਵਰਤੋ ਜੋ ਉਨ੍ਹਾਂ ਗਾਹਕਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦਾ ਹੋਵੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਅੰਕ ਦੇਵੋਗੇ; ਸਧਾਰਨ ਮਾਡਲ ਨੂੰ ਤਰਜੀਹ ਦਿਓ; ਅਤੇ ਨਿਯਮਿਤੀਕਰਨ ਲਾਗੂ ਕਰੋ, ਜੋ ਸਿਖਲਾਈ ਦੌਰਾਨ ਜਟਿਲਤਾ ਲਈ ਦੰਡ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਮਾਡਲ ਸਧਾਰਨ ਪੈਟਰਨਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇਵੇ।
ਅੰਡਰਫਿਟਿੰਗ ਲਈ
ਅਜਿਹੇ ਗੁਣ ਜੋੜੋ ਜਿਨ੍ਹਾਂ ਦਾ ਰੱਦ ਕਰਨ ਨਾਲ ਵਾਜਬ ਸੰਬੰਧ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਛੱਡੀਆਂ ਗਈਆਂ ਡਿਲਿਵਰੀਆਂ, ਹਾਲੀਆ ਸ਼ਿਕਾਇਤਾਂ ਜਾਂ ਕੀਮਤ ਵਿੱਚ ਤਬਦੀਲੀ; ਵਧੇਰੇ ਲਚਕੀਲਾ ਮਾਡਲ ਵਰਤਣ ਦਿਓ; ਅਤੇ ਜਾਂਚੋ ਕਿ ਡਾਟੇ ਵਿੱਚ ਇੰਨੀ ਬੇਲੋੜੀ ਜਾਣਕਾਰੀ ਜਾਂ ਇੰਨੇ ਗ਼ਲਤ ਲੇਬਲ ਤਾਂ ਨਹੀਂ ਕਿ ਕੋਈ ਵੀ ਮਾਡਲ ਇਸ ਤੋਂ ਸਿੱਖ ਹੀ ਨਾ ਸਕੇ।
ਦੋਵਾਂ ਲਈ
ਟੈਸਟ ਸੈੱਟ ਨੂੰ ਅੰਤ ਤੱਕ ਅਣਛੋਹਿਆ ਰੱਖੋ। ਜੇ ਤੁਸੀਂ ਟੈਸਟ ਸੈੱਟ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ ਉੱਤੇ ਮਾਡਲ ਨੂੰ ਵਾਰ-ਵਾਰ ਸੁਧਾਰਦੇ ਹੋ, ਤਾਂ ਜਾਣਕਾਰੀ ਮਾਡਲ ਵਿੱਚ ਰਿਸ ਜਾਂਦੀ ਹੈ ਅਤੇ ਟੈਸਟ ਦਾ ਅੰਕੜਾ ਉਸ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਨਿਰਪੱਖ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਰਹਿੰਦਾ।
ਗਾਹਕਾਂ ਦੇ ਛੱਡ ਜਾਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਬਾਰੇ ਕਮਜ਼ੋਰ ਅਤੇ ਸੁਧਾਰਿਆ ਹੋਇਆ ਫ਼ੈਸਲਾ ਕਿਹੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ?
ਕਮਜ਼ੋਰ ਫ਼ੈਸਲਾ ਮਾਡਲ A ਨੂੰ ਚੁਣਦਾ ਹੈ ਕਿਉਂਕਿ ਸਲਾਈਡ ’ਤੇ 99% ਸਭ ਤੋਂ ਵੱਡਾ ਅੰਕ ਹੈ। ਅਸਲ ਵਰਤੋਂ ਵਿੱਚ ਇਹ ਅੰਦਾਜ਼ਾ ਲਾਉਣ ਨਾਲੋਂ ਮਸਾਂ ਹੀ ਬਿਹਤਰ ਹੈ, ਅਤੇ ਗਾਹਕਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਵਾਲੀ ਟੀਮ ਉਨ੍ਹਾਂ ਗਾਹਕਾਂ ਨੂੰ ਫ਼ੋਨ ਕਰਨ ਵਿੱਚ ਸਮਾਂ ਗੁਆਉਂਦੀ ਹੈ ਜੋ ਜਾਣ ਵਾਲੇ ਹੀ ਨਹੀਂ ਸਨ।
ਸੁਧਾਰਿਆ ਫ਼ੈਸਲਾ ਇਹ ਹੈ: 'ਮਾਡਲ A ਨੇ ਵੱਖ-ਵੱਖ ਗਾਹਕਾਂ ਨੂੰ ਰੱਟ ਲਿਆ ਸੀ: ਇਸ ਵਿੱਚ ਗਾਹਕ ID ਅਤੇ ਆਰਡਰ ਦੀਆਂ ਸਟੀਕ ਮਿਤੀਆਂ ਸ਼ਾਮਲ ਹਨ, ਇਸ ਲਈ ਇਸ ਨੇ ਇਹ ਸਿੱਖਣ ਦੀ ਥਾਂ ਕਿ ਲੋਕ ਰੱਦ ਕਿਉਂ ਕਰਦੇ ਹਨ, ਪਹਿਲਾਂ ਦੇਖੇ ਲੋਕਾਂ ਨੂੰ ਪਛਾਣ ਲਿਆ। ਮਾਡਲ B ਇੰਨਾ ਸਧਾਰਨ ਹੈ ਕਿ 70% ਦੇ ਮੁੱਢਲੇ ਮਿਆਰ ਤੋਂ ਬਿਹਤਰ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਅਗਲਾ ਕਦਮ: ਮਾਡਲ C ਵਿਹਾਰ ਦੀਆਂ ਛੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਰਤਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਪਿਛਲੇ ਮਹੀਨੇ ਛੱਡੀਆਂ ਡਿਲਿਵਰੀਆਂ, ਸਹਾਇਤਾ ਬੇਨਤੀਆਂ ਅਤੇ ਪਿਛਲੀ ਮੇਨੂ ਤਬਦੀਲੀ ਤੋਂ ਬਾਅਦ ਦੇ ਹਫ਼ਤੇ ਸ਼ਾਮਲ ਹਨ; ਗਾਹਕ ID ਅਤੇ ਡਾਕ ਕੋਡ ਹਟਾ ਦਿੱਤੇ ਗਏ ਹਨ। ਟੀਚਾ: ਗਾਹਕਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਵਾਲੀ ਟੀਮ ਇਸ ਉੱਤੇ ਨਿਰਭਰ ਕਰੇ, ਉਸ ਤੋਂ ਪਹਿਲਾਂ ਪੰਜ-ਭਾਗੀ ਪਰਸਪਰ ਜਾਂਚ ਨਾਲ ਪਰਖਿਆ ਟੈਸਟ ਸਕੋਰ 70% ਤੋਂ ਸਪੱਸ਼ਟ ਤੌਰ ਉੱਤੇ ਉੱਪਰ ਹੋਵੇ ਅਤੇ ਸਿਖਲਾਈ ਦੇ ਸਕੋਰ ਤੋਂ ਸਿਰਫ਼ ਕੁਝ ਅੰਕਾਂ ਦੇ ਫ਼ਰਕ ਵਿੱਚ ਹੋਵੇ।' ਹੁਣ Sian ਜਾਣਦੀ ਹੈ ਕਿ 99% ਵਾਲਾ ਮਾਡਲ ਕਿਉਂ ਨਾਕਾਮ ਹੋਇਆ ਅਤੇ ਚੰਗਾ ਨਤੀਜਾ ਕਿਹੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ।
ਤੁਸੀਂ ਕਿਵੇਂ ਜਾਂਚਦੇ ਹੋ ਕਿ ਮਾਡਲ ਨਾ ਤਾਂ ਓਵਰਫਿਟ ਹੋਇਆ ਹੈ ਅਤੇ ਨਾ ਹੀ ਅੰਡਰਫਿਟ?
ਮਾਡਲ ਦੀ ਜਾਂਚ ਲਈ ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਇਸ ਦਾ ਪਰਖ ਸਕੋਰ ਇਸ ਦੇ ਸਿਖਲਾਈ ਸਕੋਰ ਦੇ ਨੇੜੇ ਹੈ, ਮੁੱਢਲੇ ਤੁਲਨਾ-ਮਿਆਰ ਨਾਲੋਂ ਸਪਸ਼ਟ ਤੌਰ ’ਤੇ ਬਿਹਤਰ ਹੈ, ਅਤੇ ਕ੍ਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਅਤੇ ਇੱਕ ਨਵੇਂ ਮਹੀਨੇ ਦੇ ਡਾਟੇ ਵਿੱਚ ਸਥਿਰ ਰਹਿੰਦਾ ਹੈ। ਇਹ ਵੀ ਪੁੱਛੋ ਕਿ ਕੀ ਕੋਈ ਵਿਸ਼ੇਸ਼ਤਾ ਸਿਰਫ਼ ਨਤੀਜਾ ਆਉਣ ਤੋਂ ਬਾਅਦ ਹੀ ਪਤਾ ਲੱਗ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਰੱਦ ਕਰਨ ਦਾ ਕਾਰਨ; ਇਹ ਡਾਟੇ ਦਾ ਰਿਸਾਅ ਹੈ, ਅਤੇ ਇਸ ਨਾਲ ਦੋਵੇਂ ਸਕੋਰ ਮਾਡਲ ਦੀ ਅਸਲ ਸਮਰੱਥਾ ਨਾਲੋਂ ਬਿਹਤਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ।
ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਅੰਡਰਫਿਟਿੰਗ ਸੰਬੰਧੀ ਆਮ ਗਲਤੀਆਂ ਕਿਹੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ?
ਸਭ ਤੋਂ ਆਮ ਗ਼ਲਤੀ ਸਿਖਲਾਈ ਦੌਰਾਨ ਮਿਲੀ ਸਟੀਕਤਾ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਕਰਨਾ ਹੈ ਜਿਵੇਂ ਉਹ ਅਸਲ ਵਰਤੋਂ ਦੀ ਸਟੀਕਤਾ ਹੋਵੇ। ਹੋਰ ਗ਼ਲਤੀਆਂ: ਬੁਨਿਆਦੀ ਤੁਲਨਾਤਮਕ ਨਤੀਜੇ ਨੂੰ ਅਣਡਿੱਠਾ ਕਰਨਾ, ਜਿਸ ਕਰਕੇ 70% ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੱਗਦਾ ਹੈ ਜਦਕਿ ਅੰਦਾਜ਼ਾ ਲਾਉਣ ਨਾਲ ਵੀ ਇੰਨਾ ਹੀ ਮਿਲਦਾ ਹੈ; ਵੱਧ ਅੰਕਾਂ ਦੀ ਉਮੀਦ ਵਿੱਚ ਹਰ ਉਪਲਬਧ ਕਾਲਮ ਜੋੜ ਦੇਣਾ; ਮਾਡਲ ਸੁਧਾਰਦੇ ਸਮੇਂ ਜਾਂਚ ਵਾਲੇ ਡਾਟੇ ਨੂੰ ਵੇਖਣਾ; ਅਤੇ ਸਿਖਲਾਈ ਡਾਟੇ ਨਾਲ ਹੱਦੋਂ ਵੱਧ ਢਲ ਜਾਣ ਨੂੰ ਜਟਿਲਤਾ ਵਧਾਉਣ ਦਾ ਕਾਰਨ ਮੰਨਣਾ, ਜਦਕਿ ਆਮ ਤੌਰ ’ਤੇ ਇਸ ਦਾ ਉਲਟ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਇਸ ਪਾਠ ਦੀ Tosheo.ai ਵਿੱਚ ਕੀ ਥਾਂ ਹੈ?
ਇਹ ਪਾਠ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹੈ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਕੋਰਸ ਵਿੱਚ ਮਾਡਲਾਂ ਦੀ ਜਾਣ-ਪਛਾਣ ਤੋਂ ਬਾਅਦ ਆਉਂਦਾ ਹੈ। Tosheo.ai ਵਿੱਚ ਅਮਲੀ ਕੰਮ ਲਈ ਤੁਹਾਨੂੰ ਸਮੱਸਿਆ ਪਛਾਣਨ ਵਾਸਤੇ ਇੱਕ ਕਾਲਪਨਿਕ ਮਾਡਲ ਰਿਪੋਰਟ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਮੁਲਾਂਕਣ ਮਾਪਦੰਡਾਂ ’ਤੇ ਆਧਾਰਿਤ ਫੀਡਬੈਕ ਜਾਂਚਦਾ ਹੈ ਕਿ ਸੁਧਾਰ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਤੁਸੀਂ ਸਿਖਲਾਈ, ਪਰਖ ਅਤੇ ਬੁਨਿਆਦੀ ਤੁਲਨਾ ਵਾਲੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਸੀ। ਇਹ ਡਾਟਾ ਟੀਮਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਪੇਸ਼ੇਵਰ ਬੁਨਿਆਦ ਹੈ; ਵਿਕਲਪਿਕ ਕੋਡ ਸਿੱਖਣ-ਮਾਰਗ ਵਿੱਚ ਕੋਡ ਰਾਹੀਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਸਿਖਾਇਆ ਜਾਂਦਾ ਹੈ।
ਸਰੋਤ ਅਤੇ ਦਾਇਰਾ
Google ਦਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਸੰਖੇਪ ਕੋਰਸ: ਓਵਰਫਿਟਿੰਗ (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
Google ਦਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਸੰਖੇਪ ਕੋਰਸ: ਮਾਡਲ ਦੀ ਜਟਿਲਤਾ ਅਤੇ ਨਿਯਮਿਤੀਕਰਨ (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
scikit-learn ਵਰਤੋਂਕਾਰ ਮਾਰਗਦਰਸ਼ਿਕਾ: ਅੰਤਰ-ਪ੍ਰਮਾਣਨ (19 October 2026 ਨੂੰ ਜਾਂਚਿਆ ਗਿਆ) ↗