در این مطلب، ویدئو آموزش پایتون: چگونه موفقیت را اندازه گیری کنیم؟ با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:04:28
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,310 –> 00:00:04,260
گام بعدی این است که تصمیم بگیریم که چگونه
2
00:00:04,260 –> 00:00:07,140
الگوریتم ما کار میکند یا خیر، انتخاب
3
00:00:07,140 –> 00:00:08,670
نحوه ارزیابی مدل یادگیری ماشین شما
4
00:00:08,670 –> 00:00:10,380
یکی از مهمترین
5
00:00:10,380 –> 00:00:13,050
تصمیمهایی است که تحلیلگر اتخاذ میکند
6
00:00:13,050 –> 00:00:14,549
، استفاده واقعی از
7
00:00:14,549 –> 00:00:17,220
الگوریتم و ویژگیهای ریاضی
8
00:00:17,220 –> 00:00:19,710
تابع ارزیابی را متعادل میکند.
9
00:00:19,710 –> 00:00:22,770
توانایی تفسیر اندازه گیری اغلب
10
00:00:22,770 –> 00:00:24,750
ما این سوال را می شنویم که
11
00:00:24,750 –> 00:00:27,689
دقت مدل شما چقدر دقیق است یک معیار ساده است
12
00:00:27,689 –> 00:00:29,730
که به ما می گوید چند درصد از ردیف ها
13
00:00:29,730 –> 00:00:32,940
را درست به دست آورده ایم، اما گاهی اوقات دقت
14
00:00:32,940 –> 00:00:35,489
همه چیز را بیان نمی کند.
15
00:00:35,489 –> 00:00:37,790
16
00:00:37,790 –> 00:00:41,430
فقط 1% از ایمیلهایی که
17
00:00:41,430 –> 00:00:44,820
برای هرزنامه دریافت میکنم، 99% دیگر
18
00:00:44,820 –> 00:00:47,550
ایمیلهای قانونی هستند، میتوانم
19
00:00:47,550 –> 00:00:51,300
طبقهبندیکنندهای بسازم که 99% دقیق باشد، فقط با
20
00:00:51,300 –> 00:00:53,610
فرض اینکه هر پیامی قانونی است و
21
00:00:53,610 –> 00:00:57,030
هرگز پیام هرزنامه را علامتگذاری
22
00:00:57,030 –> 00:00:59,370
نمیکند، اما این مدل اصلاً مفید نیست. زیرا هر
23
00:00:59,370 –> 00:01:02,190
پیامی حتی هرزنامه به
24
00:01:02,190 –> 00:01:06,240
صندوق ورودی من ختم میشود، معیاری که ما برای این مشکل استفاده میکنیم، از
25
00:01:06,240 –> 00:01:09,990
دست دادن گزارش لاگ نامیده میشود، چیزی است که به
26
00:01:09,990 –> 00:01:12,630
طور کلی تابع ضرر نامیده میشود. یون و
27
00:01:12,630 –> 00:01:15,840
معیاری از خطا است که ما میخواهیم خطای ما
28
00:01:15,840 –> 00:01:18,600
تا حد امکان کوچک باشد که
29
00:01:18,600 –> 00:01:20,939
برعکس معیارهای اندازهگیری مانند دقت است که در آن
30
00:01:20,939 –> 00:01:25,140
میخواهیم مقدار را به حداکثر برسانیم.
31
00:01:25,140 –> 00:01:27,689
32
00:01:27,689 –> 00:01:31,920
و پیشبینی ما را
33
00:01:31,920 –> 00:01:33,930
که
34
00:01:33,930 –> 00:01:37,740
احتمالی بین 0 و 1 است، میگیرد.
35
00:01:37,740 –> 00:01:40,520
36
00:01:40,520 –> 00:01:42,659
37
00:01:42,659 –> 00:01:45,600
38
00:01:45,600 –> 00:01:49,310
39
00:01:49,310 –> 00:01:53,100
1 روی n تعداد ردیف ها برای به
40
00:01:53,100 –> 00:01:57,420
دست آوردن یک مقدار واحد برای log Louis،
41
00:01:57,420 –> 00:01:59,399
با نگاه کردن به یک مثال، این ریاضی را کمی بیشتر تحت تأثیر قرار خواهیم داد،
42
00:01:59,399 –> 00:02:03,810
در نظر بگیرید
43
00:02:03,810 –> 00:02:06,689
که در آن برچسب واقعی 0 است، اما ما با اطمینان پیش بینی می کنیم
44
00:02:06,689 –> 00:02:10,470
که برچسب در این مورد 1
45
00:02:10