ஒரு மாதிரி மிகச் சிறந்த மதிப்பெண் பெற்றும் பயனற்றதாக இருப்பது எப்படி?
ஒரு மாதிரி தான் கற்ற அதே தரவுகளில் சோதிக்கப்படும்போது மிகச் சிறந்த மதிப்பெண் பெற்றாலும் பயனற்றதாக இருக்கலாம். ஏனெனில் புதிய வாடிக்கையாளர்களுக்கும் பொருந்தக்கூடிய ஒன்றைக் கற்றுக்கொள்வதற்குப் பதிலாக, அந்த எடுத்துக்காட்டுகளை அது மனப்பாடம் செய்திருக்கலாம்.
பேன்ட்ரிபாக்ஸ் என்ற கற்பனையான, 120 பேர் கொண்ட, சமையல் பொருள் தொகுப்புகளைச் சந்தா முறையில் வழங்கும் நிறுவனத்தை எடுத்துக்கொள்ளுங்கள். வாடிக்கையாளர்களைத் தக்கவைக்கும் குழு முன்கூட்டியே அழைத்துப் பேச உதவியாக, அடுத்த மாதம் எந்தச் சந்தாதாரர்கள் சந்தாவை ரத்து செய்வார்கள் என்பதைக் கணிக்கும் மாதிரியைப் பகுப்பாய்வாளர் கோஃபி உருவாக்குகிறார். வாடிக்கையாளர் பிரிவுத் தலைவர் சியானுக்கு அவர் அளிக்கும் தகவல்: 'மாதிரி A: 99% துல்லியம்!! வாடிக்கையாளர் அடையாள எண், அஞ்சல் குறியீடு, முந்தைய ஒவ்வொரு ஆர்டரின் தேதி உட்பட 85 நெடுவரிசைகளைப் பயன்படுத்துகிறது. மாதிரி B (எளியது, 2 நெடுவரிசைகள்): பயிற்சித் தரவில் 69%, சோதனைத் தரவில் 68%. கடந்த மாதத்தின் புதிய தரவில் மாதிரி A: 71%. ஒவ்வொரு மாதமும் சுமார் 30% வாடிக்கையாளர்கள் சந்தாவை ரத்து செய்கிறார்கள்.' எந்த மாதிரியைப் பயன்படுத்த வேண்டும், 99% துல்லியம் கொண்ட மாதிரி கடந்த மாதம் ஏன் இவ்வளவு மோசமாகச் செயல்பட்டது என்பதை சியான் அறிய விரும்புகிறார்.
| மாதிரி | பயிற்சித் தரவில் துல்லியம் | துல்லியத்தைச் சோதிக்கவும் | இது என்ன பரிந்துரைக்கிறது |
|---|---|---|---|
| மாதிரி A, 85 நெடுவரிசைகள் | 99% | 71% | மிகைப்பொருத்தம்: பயிற்சித் தரவில் உள்ள வாடிக்கையாளர்களை மனப்பாடம் செய்தல் |
| மாதிரி B, 2 நெடுவரிசைகள் | 69% | 68% | போதுமான அளவு கற்காத நிலை: எப்போதும் 'தொடர்வார்' என்று ஊகிப்பதைவிட மிகச் சிறிதளவே சிறப்பாக உள்ளது |
ஒரு மாதிரி பயிற்சித் தரவுக்கு அளவுக்கு அதிகமாகப் பொருந்துவதையும் போதிய அளவு கற்றுக்கொள்ளாமல் இருப்பதையும் படிப்படியாக எப்படிக் கண்டறிவது?
பயிற்சித் தரவில் மாதிரியின் செயல்திறனையும், அது இதுவரை பார்த்திராத தரவில் அதன் செயல்திறனையும் ஒப்பிட்டு, இரண்டையும் ஒரு எளிய அடிப்படை அளவுகோலுடன் ஒப்பிடுவதன் மூலம் இரு சிக்கல்களையும் கண்டறியுங்கள். இந்த மூன்று எண்களின் போக்கு, எந்தச் சிக்கல் உள்ளது என்பதை உங்களுக்குக் காட்டும்.
1. தரவின் ஒரு பகுதியை ஒதுக்கி வையுங்கள்
பயிற்சிக்கு முன்பே, மாதிரி ஒருபோதும் பார்க்காத ஒரு சோதனைத் தரவுத் தொகுப்பைத் தனியாக ஒதுக்குங்கள். மாதிரி கற்றுக்கொண்ட அதே தரவில் அதைச் சோதிப்பது அடிப்படையான தவறு. ஏனெனில் பார்த்தவற்றை அப்படியே திரும்பக் கூறும் மாதிரி முழு மதிப்பெண் பெற்றுவிடும்; ஆனால் அது எதையும் கணிக்காது.
2. ஓர் அடிப்படை அளவை நிர்ணயியுங்கள்
மிக எளிய ஒரு விதி என்ன மதிப்பெண் பெறும் என்பதைக் கணக்கிடுங்கள். பான்ட்ரிபாக்ஸில் ஒவ்வொரு மாதமும் சுமார் 70% வாடிக்கையாளர்கள் தொடர்ந்து இருக்கிறார்கள். எனவே எல்லோருக்கும் 'தொடர்வார்' என்று ஊகித்தாலே சுமார் 70% மதிப்பெண் கிடைக்கும். பயனுள்ள ஒரு மாதிரி இதைவிடத் தெளிவாகச் சிறப்பாகச் செயல்பட வேண்டும்.
3. பயிற்சியையும் சோதனையையும் ஒப்பிடுங்கள்
பயிற்சி மதிப்பெண் அதிகமாகவும் சோதனை மதிப்பெண் அதைவிட மிகக் குறைவாகவும் இருப்பது மிகைப்பொருத்தத்தைக் குறிக்கிறது. இரண்டிலும் மதிப்பெண்கள் குறைவாகவும் அடிப்படை ஒப்பீட்டு மதிப்புக்கு அருகிலும் இருப்பது குறைப்பொருத்தத்தைக் குறிக்கிறது. இரண்டிலும் ஒரே அளவிலான நல்ல மதிப்பெண்கள் இருப்பது ஏற்ற பொருத்தத்தைக் காட்டுகிறது.
4. நிலைத்தன்மையைச் சரிபாருங்கள்
குறுக்கு சரிபார்ப்பு, பயிற்சித் தரவின் வெவ்வேறு பகுதிகளைப் பயன்படுத்தி மாதிரிக்குப் பலமுறை பயிற்சியளித்துச் சோதித்து, முடிவுகளின் சராசரியைக் கணக்கிடுகிறது. பகுதிகளுக்கு இடையே மதிப்பெண்கள் பெரிதாக மாறினால், மாதிரி நிலைத்தன்மையற்றது.
5. சிக்கலுக்குப் பொருத்தமான தீர்வைத் தேர்ந்தெடுக்கவும்
மிகைப்பொருத்தத்திற்கும் குறைப்பொருத்தத்திற்கும் எதிரெதிரான தீர்வுகள் தேவை. எனவே எதையும் மாற்றுவதற்கு முன் சிக்கல் எது என்பதை அடையாளம் காணவும்.
மிகைப்பொருத்தத்தையும் குறைப்பொருத்தத்தையும் எப்படிச் சரிசெய்வது?
மாதிரியை எளிமையாக்குவதன் மூலமோ, அது பயன்படுத்தும் தரவு உண்மை நிலையை இன்னும் சரியாகப் பிரதிநிதித்துவப்படுத்துமாறு செய்வதன் மூலமோ மிகைப்பொருத்தத்தைச் சரிசெய்யுங்கள். மாதிரிக்குக் கூடுதல் பயனுள்ள தகவலையோ அதிக நெகிழ்வுத்தன்மையையோ வழங்குவதன் மூலம் குறைப்பொருத்தத்தைச் சரிசெய்யுங்கள். எளிமையாகச் சொன்னால்:
மிகைப்பொருத்தத்திற்கு
வாடிக்கையாளர் அடையாள எண் போன்ற, நடத்தைக்குப் பதிலாகத் தனிநபர்களை அடையாளம் காட்டும் நிரல்களை நீக்குங்கள்; உண்மையில் நீங்கள் மதிப்பெண் அளிக்கவுள்ள வாடிக்கையாளர்களைப் பிரதிநிதித்துவப்படுத்தும் பயிற்சித் தரவைப் பயன்படுத்துங்கள்; எளிமையான மாதிரிக்கு முன்னுரிமை கொடுங்கள்; பயிற்சியின்போது சிக்கலுக்கு அபராதம் விதித்து, மாதிரி எளிய வடிவங்களைத் தேர்ந்தெடுக்க உதவும் ஒழுங்குபடுத்தலைப் பயன்படுத்துங்கள்.
குறைப்பொருத்தத்திற்கு
தவிர்க்கப்பட்ட விநியோகங்கள், அண்மைய புகார்கள் அல்லது விலை மாற்றம் போன்ற, ரத்துசெய்வதுடன் தொடர்பிருக்கக்கூடிய அம்சங்களைச் சேர்க்கவும்; மேலும் நெகிழ்வான மாதிரியைப் பயன்படுத்த அனுமதிக்கவும்; எந்த மாதிரியாலும் கற்றுக்கொள்ள முடியாத அளவுக்குத் தரவில் இரைச்சலோ தவறான வகைப்பாட்டுக் குறியீடுகளோ இல்லை என்பதைச் சரிபார்க்கவும்.
இரண்டிற்கும்
இறுதிவரை சோதனைத் தரவுத் தொகுப்பைப் பயன்படுத்தாமல் வைத்திருங்கள். அதே சோதனைத் தொகுப்பின் அடிப்படையில் மாதிரியை மீண்டும் மீண்டும் சரிசெய்தால், அதிலுள்ள தகவல் மாதிரிக்குள் கசிந்துவிடும்; சோதனை மதிப்பெண் நம்பகமான மதிப்பீடாக இருக்காது.
வாடிக்கையாளர் விலகல் மாதிரியைப் பயன்படுத்தி எடுக்கப்படும் பலவீனமான முடிவும் மேம்படுத்தப்பட்ட முடிவும் எப்படி இருக்கும்?
பலவீனமான முடிவு, விளக்கத் தாளில் உள்ள மிகப் பெரிய எண் 99% என்பதால் மாதிரி A-ஐத் தேர்ந்தெடுக்கிறது. நடைமுறையில் அது ஊகிப்பதைவிடச் சற்றே சிறப்பாக உள்ளது. மேலும், வாடிக்கையாளர்களைத் தக்கவைக்கும் குழு, விலகும் எண்ணமே இல்லாத வாடிக்கையாளர்களை அழைத்துத் தனது நேரத்தை வீணாக்குகிறது.
மேம்படுத்தப்பட்ட முடிவு இவ்வாறு கூறுகிறது: 'மாதிரி A தனித்தனி வாடிக்கையாளர்களை மனப்பாடம் செய்துள்ளது: அதில் வாடிக்கையாளர் அடையாள எண்ணும் துல்லியமான ஆர்டர் தேதிகளும் உள்ளன. எனவே மக்கள் ஏன் ரத்து செய்கிறார்கள் என்பதைக் கற்பதற்குப் பதிலாக, ஏற்கெனவே பார்த்த நபர்களை அது அடையாளம் கண்டுள்ளது. மாதிரி B மிகவும் எளிமையானது; அதனால் 70% அடிப்படை அளவைத் தாண்ட முடியவில்லை. அடுத்த படி: மாதிரி C, கடந்த மாதத்தில் தவிர்க்கப்பட்ட விநியோகங்கள், உதவிக் கோரிக்கைகள், கடைசியாக உணவுப் பட்டியல் மாற்றப்பட்டதிலிருந்து கடந்த வாரங்கள் உள்ளிட்ட ஆறு நடத்தை அம்சங்களைப் பயன்படுத்தும்; வாடிக்கையாளர் அடையாள எண்ணும் அஞ்சல் குறியீடும் நீக்கப்படும். இலக்கு: வாடிக்கையாளர்களைத் தக்கவைக்கும் குழு அதை நம்பிப் பயன்படுத்துவதற்கு முன், சோதனை மதிப்பெண் 70%-ஐத் தெளிவாகத் தாண்டியிருக்க வேண்டும்; பயிற்சி மதிப்பெண்ணிலிருந்து சில புள்ளிகளுக்குள் இருக்க வேண்டும்; ஐந்து மடங்கு குறுக்கு சரிபார்ப்பால் உறுதிசெய்யப்பட வேண்டும்.' 99% பெற்ற மாதிரி ஏன் தோல்வியடைந்தது, நல்ல செயல்திறன் எப்படி இருக்க வேண்டும் என்பவை இப்போது சியானுக்குத் தெரியும்.
ஒரு மாதிரி பயிற்சித் தரவுக்கு அளவுக்கு அதிகமாகவும் பொருந்தாமல், போதிய அளவு கற்றுக்கொள்ளாமலும் இல்லை என்பதை எப்படிச் சரிபார்ப்பது?
ஒரு மாதிரியைச் சரிபார்க்க, அதன் சோதனை மதிப்பெண் பயிற்சி மதிப்பெண்ணுக்கு நெருக்கமாகவும், அடிப்படை அளவைவிடத் தெளிவாகச் சிறந்ததாகவும், குறுக்கு மதிப்பீட்டுப் பிரிவுகள் மற்றும் புதிதாகக் கிடைத்த ஒரு மாதத் தரவு முழுவதிலும் நிலையாகவும் உள்ளதா என்பதை உறுதிப்படுத்துங்கள். மேலும், ரத்துசெய்ததற்கான காரணம் போன்ற ஏதேனும் ஓர் அம்சம் முடிவு தெரிந்த பிறகு மட்டுமே அறியக்கூடியதா என்றும் கேளுங்கள். அதுதான் தரவுக் கசிவு; அது மாதிரியின் உண்மையான திறனைவிட இரு மதிப்பெண்களையும் உயர்வாகக் காட்டுகிறது.
மாதிரி தரவுக்கு மிகையாகப் பொருந்துதல் மற்றும் போதிய அளவு பொருந்தாமை தொடர்பான பொதுவான தவறுகள் என்ன?
பயிற்சித் தரவில் கிடைத்த துல்லியத்தை நிஜ உலகத் துல்லியமாகக் கூறுவதே மிகவும் பொதுவான தவறு. பிற தவறுகள்: அடிப்படை ஒப்பீட்டு அளவைப் புறக்கணிப்பதால், வெறும் ஊகத்திலேயே கிடைக்கும் 70% கூட சிறப்பானதாகத் தோன்றுவது; அதிக மதிப்பெண் கிடைக்கும் என்ற நம்பிக்கையில் இருக்கும் எல்லா நெடுவரிசைகளையும் சேர்ப்பது; மாதிரியைச் சரிசெய்யும்போது சோதனைத் தரவுத் தொகுப்பை எட்டிப்பார்ப்பது; பயிற்சித் தரவுடன் அளவுக்கு மீறிப் பொருந்துவதை மேலும் சிக்கலாக்குவதற்கான காரணமாகக் கருதுவது. உண்மையில் பொதுவாக அதற்கு நேர்மாறானதே தேவை.
Tosheo.ai தளத்தில் இந்தப் பாடம் எந்தப் பகுதியில் இடம்பெறுகிறது?
இந்தப் பாடம் இயந்திரக் கற்றல் வகைப்பாட்டில் உள்ளது; இயந்திரக் கற்றல் படிப்பில் மாதிரிகள் குறித்த அறிமுகத்திற்குப் பிறகு வருகிறது. Tosheo.ai-இன் செய்முறைப் பணியில், சிக்கல்களைக் கண்டறிவதற்காகக் கற்பனையான மாதிரி அறிக்கை வழங்கப்படும். தீர்வைப் பரிந்துரைக்கும் முன் பயிற்சி, சோதனை, அடிப்படை ஒப்பீட்டு முடிவுகளை ஒப்பிட்டீர்களா என்பதை மதிப்பீட்டு வழிகாட்டியின் அடிப்படையிலான பின்னூட்டம் சரிபார்க்கும். தரவுக் குழுக்களுடன் இணைந்து பணியாற்றுவதற்கான தொழில்முறை அடித்தளம் இது; நிரல் மூலம் மாதிரிகளைப் பயிற்றுவிப்பதும் மதிப்பிடுவதும் விருப்பத் தேர்வான நிரலாக்கப் பிரிவில் இடம்பெறும்.
மூலங்களும் வரம்பும்
Google இயந்திரக் கற்றல் விரைவுப் பாடநெறி: மிகைப்பொருத்தம் (சரிபார்க்கப்பட்டது 19 October 2026) ↗
scikit-learn பயனர் வழிகாட்டி: குறுக்கு சரிபார்ப்பு (சரிபார்க்கப்பட்ட நாள்: 19 October 2026) ↗