प्रिसिजन बनाम रिकॉल: मशीन लर्निंग के लिए आवश्यक मार्गदर्शिका

98% एक्यूरेसी वाला कोई मशीन लर्निंग मॉडल प्रभावशाली लगता है–लेकिन क्या वाकई? जब आप धोखाधड़ी या बीमारी जैसे दुर्लभ घटनाओं से निपटते हैं, तो एक्यूरेसी अक्सर झूठी सुरक्षा की भावना पैदा कर देती है।

यहीं पर प्रिसिजन और रिकॉल काम आते हैं। इस लेख में, हम देखेंगे कि कैसे ये दोनों मीट्रिक साधारण एक्यूरेसी से आगे जाकर न सिर्फ़ यह मापते हैं कि आप कितनी बार सही हैं, बल्कि यह भी कि आप ठीक कैसे ग़लत हो रहे हैं।

यदि आप सिद्धांत से आगे बढ़कर क्लासिफिकेशन में महारत हासिल करना चाहते हैं, तो Fraud Detection in Python कोर्स अगला बेहतरीन कदम है।

एक्यूरेसी क्यों पर्याप्त नहीं है

अधिकांश स्थितियों में, किसी सांख्यिकीय या मशीन लर्निंग मॉडल द्वारा किसी लेबल की भविष्यवाणी कितनी अच्छी है, इसे मापने के लिए एक्यूरेसी स्वाभाविक मीट्रिक है। इसे सही ढंग से भविष्यवाणी किए गए उदाहरणों की संख्या की तुलना कुल ऑब्ज़र्वेशंस से करके निकाला जाता है। 

आम तौर पर, यदि कोई मॉडल लगातार उच्च एक्यूरेसी के साथ सही लेबल की पहचान करता है, तो वह अच्छा काम कर रहा है। हालाँकि, असंतुलित डेटासेट्स, जिनमें एक क्लास में दूसरी की तुलना में कहीं अधिक सैंपल होते हैं, एक्यूरेसी को विकृत कर देते हैं। ऐसे डेटासेट्स धोखाधड़ी पहचान या बीमारी निदान में आम हैं।

मान लीजिए कोई मॉडल 98% एक्यूरेसी के साथ धोखाधड़ी को क्लासिफ़ाई करता है। पहली नज़र में यह शानदार लगता है। लेकिन यदि डेटासेट में धोखाधड़ी केवल 2% लेनदेन में ही होती है? इस स्थिति में, कोई मॉडल हर बार "धोखाधड़ी नहीं" चुनकर भी 98% एक्यूरेसी पा सकता है, जबकि एक भी धोखाधड़ी नहीं पकड़ता—जो हम नहीं चाहते। 

साफ़ है, ऐसी स्थितियों में अधिक सूक्ष्म मीट्रिक्स की ज़रूरत होती है। दो सामान्यतः इस्तेमाल होने वाले मीट्रिक हैं प्रिसिजन और रिकॉल. 

प्रिसिजन और रिकॉल क्या हैं?

संक्षेप में:

• प्रिसिजन (गुणवत्ता): आपकी पॉज़िटिव भविष्यवाणियों पर कितना भरोसा किया जा सकता है, यह मापता है। यदि मॉडल कहता है "धोखाधड़ी", तो क्या वह सच में धोखाधड़ी है?
• रिकॉल (मात्रा): वास्तविक पॉज़िटिव मामलों को आपने कितनी अच्छी तरह पकड़ा, यह मापता है। क्या मॉडल ने सारी धोखाधड़ी पकड़ी, या कुछ छूट गईं?

हालाँकि, इन मीट्रिक की गणना समझने के लिए, हमें पहले कन्फ्यूज़न मैट्रिक्स में प्रयुक्त शब्दावली को परिभाषित करना होगा।

ट्रू पॉज़िटिव, फ़ॉल्स पॉज़िटिव, और नेगेटिव्स 

एक क्रेडिट कार्ड कंपनी पर विचार करें जो धोखाधड़ी वाले लेनदेन का पता लगाने के लिए मशीन लर्निंग मॉडल का उपयोग करती है। मान लें कि 10,000 लेनदेन के सैंपल में 9,800 वैध लेनदेन और 200 धोखाधड़ी के मामले थे।

मॉडल की प्रभावशीलता मापने के लिए, "धोखाधड़ी" या "धोखाधड़ी नहीं" में से किसी एक को पॉज़िटिव केस और दूसरे को नेगेटिव केस के रूप में निर्दिष्ट करें। चूँकि धोखाधड़ी के मामले रुचि के हैं, इन्हें "पॉज़िटिव" केस के रूप में लेबल करें। (यह, स्वाभाविक रूप से, नैतिक अर्थ में धोखाधड़ी को सकारात्मक नहीं बताता; "पॉज़िटिव" लेबल सिर्फ़ यह दर्शाता है कि हम किस केस में रुचि रखते हैं।)

जब मॉडल चलाया जाता है, तो एक निश्चित प्रायिकता थ्रेशहोल्ड, मान लें 70%, से ऊपर के जोखिम स्कोर वाले लेनदेन को धोखाधड़ी माना जाता है। जिन मामलों को धोखाधड़ी के रूप में भविष्यवाणी की गई है, उनकी तुलना वास्तविक धोखाधड़ी वाले मामलों से की जाती है।

इस सारे डेटा को व्यवस्थित रखने के लिए, हम निम्न नामकरण का उपयोग करते हैं। 

• ट्रू पॉज़िटिव (TP): 160 धोखाधड़ी के मामले सही ढंग से धोखाधड़ी के रूप में भविष्यवाणी किए गए।
• ट्रू नेगेटिव (TN): 9500 मामले सही ढंग से नॉन-फ्रॉड पहचाने गए।
• फ़ॉल्स पॉज़िटिव (FP): 300 मामले ग़लती से धोखाधड़ी के रूप में फ़्लैग किए गए।
• फ़ॉल्स नेगेटिव (FN): 40 मामले ग़लती से नॉन-फ्रॉड चिह्नित हुए।

दूसरा अक्षर (P या N) बताता है कि भविष्यवाणी पॉज़िटिव थी या नेगेटिव, और पहला अक्षर दर्शाता है कि वह भविष्यवाणी ट्रू (T) थी या फ़ॉल्स (F)। 

"फ़ॉल्स पॉज़िटिव" का मतलब है कि सिस्टम ने केस को पॉज़िटिव माना, लेकिन वह वास्तव में नेगेटिव था। उदाहरण के लिए, फ़ॉल्स नेगेटिव वह केस है जिसकी भविष्यवाणी नेगेटिव हुई, जबकि वह वास्तव में पॉज़िटिव है।

कन्फ्यूज़न मैट्रिक्स

यह सारी जानकारी आमतौर पर तथाकथित कन्फ्यूज़न मैट्रिक्स में प्रदर्शित की जाती है, जो यह ट्रैक करती है कि मॉडल कितनी बार ग़लत भविष्यवाणियों को वास्तविक परिणामों (FN, FP) से भ्रमित करता है। कन्फ्यूज़न मैट्रिक्स हमें यह अलग करने में मदद करती है कि मॉडल ने क्या भविष्यवाणी की और वास्तव में क्या हुआ। हमारे उदाहरण की कन्फ्यूज़न मैट्रिक्स इस प्रकार दिखती है:

अब पंक्ति और स्तंभ के कुल देखें। पंक्ति के योग कुल भविष्यवाणी किए गए मामलों को दर्शाते हैं, और स्तंभ के योग कुल वास्तविक मामलों को।

ये कुल क्या दर्शाते हैं?

• पहली पंक्ति का कुल (460) कुल भविष्यवाणी किए गए धोखाधड़ी मामलों (TP + FP) का प्रतिनिधित्व करता है।
• दूसरी पंक्ति का कुल (9,540) कुल भविष्यवाणी किए गए वैध मामलों (FN + TN) का प्रतिनिधित्व करता है।
• पहले स्तंभ का कुल (200) कुल वास्तविक धोखाधड़ी मामलों (TP + FN) का प्रतिनिधित्व करता है।
• दूसरे स्तंभ का कुल (9,800) कुल वास्तविक वैध मामलों (FP + TN) का प्रतिनिधित्व करता है।
• ग्रैंड टोटल (10,000) हमारे सैंपल के कुल आकार के बराबर है।

प्रिसिजन क्या है?

प्रिसिजन आपकी पॉज़िटिव भविष्यवाणियों की गुणवत्ता को मापता है। यह बताता है कि जितने मामलों को पॉज़िटिव भविष्यवाणी किया गया, उनमें से वास्तव में कितने पॉज़िटिव थे। 

एक सटीक मॉडल का मतलब है बहुत कम फ़ॉल्स अलार्म। यदि मॉडल कहता है कि कुछ सत्य है, तो उसके सत्य होने की संभावना अधिक है। उदाहरण के लिए, यदि कोई ऑनलाइन गेम धोखाधड़ी के लिए किसी को बैन करता है, तो वह सच होना चाहिए। बहुत अधिक ग़लत बैन वैध उपयोगकर्ताओं को दूर कर देते हैं और नकारात्मक समीक्षाओं का कारण बनते हैं। 

ऊपर देखी गई शब्दावली में, प्रिसिजन ट्रू पॉज़िटिव्स और प्रीडिक्टेड पॉज़िटिव्स के अनुपात के बराबर होता है।

ऊपर के उदाहरण में, प्रिसिजन 160/460, यानी लगभग 34.8% है।

रिकॉल क्या है?

रिकॉल कवरेज को मापता है। यह दिखाता है कि वास्तविक पॉज़िटिव्स में से कितनों की पहचान ऐसे ही की गई। इसे ट्रू पॉज़िटिव्स और कुल वास्तविक पॉज़िटिव्स के अनुपात के रूप में परिभाषित किया जाता है।

प्रारंभिक फॉलो-अप के लिए कैंसर निदान पर विचार करें। क्या अधिक-निदान की ओर ग़लती करना बेहतर है या कम-निदान की ओर? अधिकांश लोग पहले वाले से सहमत होंगे। 

प्रारंभिक स्क्रीनिंग में, फ़ॉल्स अलार्म चौंकाने वाला हो सकता है। लेकिन वास्तव में कैंसर होने पर यह बताना कि आपको कैंसर नहीं है, विनाशकारी है, खासकर क्योंकि आप जीवनरक्षक इलाज से चूक सकते हैं।

ऊपर के उदाहरण में, रिकॉल 160/200, यानी 80% है।

प्रिसिजन और रिकॉल के बीच संतुलन

प्रिसिजन और रिकॉल के बीच रस्साकशी जैसा संबंध होता है। आमतौर पर, जैसे-जैसे प्रिसिजन बढ़ता है, रिकॉल घटता है, और इसके विपरीत।

यह क्यों होता है, यह देखने के लिए धोखाधड़ी वाले उदाहरण पर फिर लौटते हैं। 

अधिकांश धोखाधड़ी पकड़ी गई, लेकिन फ़ॉल्स पॉज़िटिव्स बहुत थे। मान लें, ग्राहक शिकायतों के कारण प्रबंधन ने निर्णय थ्रेशहोल्ड 0.7 से बढ़ाकर 0.8 कर दिया। किसी लेनदेन को धोखाधड़ी के रूप में फ़्लैग होने के लिए अब 0.7 की बजाय कम से कम 0.8 स्कोर चाहिए।

इससे मॉडल अधिक सतर्क हो गया। उसने धोखाधड़ी की भविष्यवाणी कम बार की। कम लेनदेन ग़लती से धोखाधड़ी के रूप में फ़्लैग हुए, लेकिन इसकी कीमत पर कुछ वास्तविक धोखाधड़ी वाले मामले निकल गए। थ्रेशहोल्ड बदलने के बाद, फ़ॉल्स पॉज़िटिव्स 300 से घटकर 60 हो गए, लेकिन फ़ॉल्स नेगेटिव्स 40 से बढ़कर 80 हो गए। 

नए मॉडल की कन्फ्यूज़न मैट्रिक्स इस प्रकार दिखती है:

जैसा कि हम देख सकते हैं, 180 भविष्यवाणी किए गए धोखाधड़ी मामलों में से 120 वास्तव में धोखाधड़ी थे, इसलिए प्रिसिजन 34.8% से बढ़कर 66.7% हो गया। 

इस बढ़ी हुई प्रिसिजन की कीमत घटी हुई रिकॉल है: 200 धोखाधड़ी मामलों में से 120 की पहचान ऐसे हुई, यानी रिकॉल पहले के 80% से घटकर अब केवल 60% रह गया।

अब मॉडल कुल मिलाकर कम धोखाधड़ी पकड़ता है, लेकिन जब वह धोखाधड़ी फ़्लैग करता है, तो उसका भरोसा अधिक होता है। यह हमें दोनों मीट्रिक के संतुलन के महत्व को दिखाता है, जिस पर हम आगे बात करेंगे। 

प्रिसिजन-रिकॉल कर्व

प्रिसिजन और रिकॉल के बीच के संतुलन को विज़ुअलाइज़ करने के लिए, डेटा वैज्ञानिक Precision-Recall (PR) कर्व का उपयोग करते हैं। 

यह चार्ट हर संभावित निर्णय थ्रेशहोल्ड (0 से 1) के लिए y-अक्ष पर प्रिसिजन और x-अक्ष पर रिकॉल प्लॉट करता है। जैसे ही आप अधिक पॉज़िटिव मामलों को पकड़ने के लिए थ्रेशहोल्ड घटाते हैं (रिकॉल बढ़ता है), आप अनिवार्य रूप से अधिक फ़ॉल्स अलार्म भी फ़्लैग करते हैं (प्रिसिजन घटता है)। 

"परफेक्ट" मॉडल शीर्ष-दाएँ कोने (100% प्रिसिजन और रिकॉल) तक पहुँचेगा, लेकिन व्यवहार में, आपको इस कर्व पर ऐसा बिंदु चुनना होता है जो आपकी विशिष्ट व्यावसायिक आवश्यकताओं को पूरा करे।

हमारे धोखाधड़ी उदाहरण में, हमारे पास एक मॉडल है जो प्रत्येक लेनदेन के लिए एक फ्रॉड स्कोर देता है। यदि किसी लेनदेन का स्कोर थ्रेशहोल्ड के बराबर या अधिक है, तो उसे धोखाधड़ी के रूप में फ़्लैग किया जाता है। जैसे-जैसे हम थ्रेशहोल्ड घटाते हैं, हमें अधिक प्रीडिक्टेड पॉज़िटिव्स मिलते हैं, जो आमतौर पर अधिक ट्रू पॉज़िटिव्स (रिकॉल बढ़ता है) और साथ ही अधिक फ़ॉल्स अलार्म (प्रिसिजन घटता है) को पकड़ते हैं।

देखते हैं कि यह सब व्यवहार में कैसा दिख सकता है। मान लें आपकी कंपनी प्रतिदिन 10,000 लेनदेन प्रोसेस करती है। चूँकि अनुमानित धोखाधड़ी दर 2% है, आप प्रतिदिन 200 धोखाधड़ी वाले लेनदेन की अपेक्षा करते हैं। साथ ही, मान लें कि फ्रॉड ऑपरेशन्स टीम प्रतिदिन 200 फ़्लैग किए गए लेनदेन (प्रीडिक्टेड पॉज़िटिव्स) की समीक्षा कर सकती है।

आप कुछ थ्रेशहोल्ड का मूल्यांकन करते हैं और ये परिणाम पाते हैं:

• 0.9 के थ्रेशहोल्ड पर, 100 प्रीडिक्टेड पॉज़िटिव्स हैं, प्रिसिजन 0.8 (80 वास्तविक धोखाधड़ी, 20 फ़ॉल्स अलार्म), और रिकॉल 0.4 (200 में से 80 धोखाधड़ी पकड़ते हैं)। आप क्षमता का कम उपयोग कर रहे हैं क्योंकि आप प्रतिदिन 200 की समीक्षा कर सकते हैं, जबकि केवल 100 फ़्लैग कर रहे हैं। 
• 0.5 के थ्रेशहोल्ड पर, 500 प्रीडिक्टेड पॉज़िटिव्स हैं, प्रिसिजन 0.35 (175 वास्तविक धोखाधड़ी, 325 फ़ॉल्स अलार्म), और रिकॉल 0.875 (200 में से 175 धोखाधड़ी पकड़ते हैं)। इस थ्रेशहोल्ड पर, आप क्षमता से अधिक हैं, क्योंकि आप 500 फ़्लैग किए गए मामलों की समीक्षा नहीं कर सकते।
• 0.7 के थ्रेशहोल्ड पर, 200 प्रीडिक्टेड पॉज़िटिव्स हैं, प्रिसिजन 0.6 (120 वास्तविक धोखाधड़ी, 80 फ़ॉल्स अलार्म), और रिकॉल 0.6 (200 में से 120 धोखाधड़ी पकड़ते हैं)। संभवतः आप यही थ्रेशहोल्ड उपयोग करेंगे, क्योंकि आप पूरी क्षमता का उपयोग करते हुए 0.6 का ठीक-ठाक रिकॉल भी प्राप्त करते हैं।

यह कर्व आपको बताता है कि किसी दिए गए रिकॉल रेट पर आप कितना प्रिसिजन "खरीद" सकते हैं (या इसके विपरीत)।

प्रिसिजन बनाम रिकॉल: कब किसका उपयोग करें

प्रिसिजन और रिकॉल के बीच के संतुलन के कारण, सही मीट्रिक आपके विशेष उपयोग-केस पर निर्भर करता है।

कब प्रिसिजन का उपयोग करें

प्रिसिजन और फ़ॉल्स पॉज़िटिव्स में विपरीत संबंध होता है। इसलिए, एक सटीक मॉडल वह है जो ट्रू पॉज़िटिव और फ़ॉल्स पॉज़िटिव में सही अंतर कर सके। यह विश्वसनीय होता है।

जब फ़ॉल्स पॉज़िटिव की क़ीमत अधिक हो, तब प्रिसिजन के लिए ऑप्टिमाइज़ करें। उदाहरण मामलों में शामिल हैं:

• अपरिवर्तनीय कार्रवाइयाँ: स्वचालित न्याय या अकाउंट-बैनिंग सिस्टम। किसी निर्दोष व्यक्ति पर आरोप लगाना या मॉडल की ग़लती (फ़ॉल्स पॉज़िटिव) के कारण किसी उपयोगकर्ता का अकाउंट स्थायी रूप से हटाना अपूरणीय क्षति पहुँचाता है।
• उच्च-लागत हस्तक्षेप: तेल ड्रिल करना या फ़ैक्टरी असेंबली लाइन को बंद करना। यदि पॉज़िटिव भविष्यवाणी पर कार्रवाई करने की क़ीमत लाखों डॉलर है, तो आगे बढ़ने से पहले आपको भविष्यवाणी के सही होने का भरोसा चाहिए।
• स्पैम फ़िल्टरिंग: ईमेल इनबॉक्स। स्पैम ईमेल दिखना (फ़ॉल्स नेगेटिव) परेशान करता है, लेकिन किसी महत्वपूर्ण जॉब ऑफ़र का जंक फ़ोल्डर में जाना (फ़ॉल्स पॉज़िटिव) अस्वीकार्य है।

कब रिकॉल का उपयोग करें

इसी तरह, रिकॉल और फ़ॉल्स नेगेटिव्स में विपरीत संबंध होता है। बहुत से फ़ॉल्स नेगेटिव्स निम्न रिकॉल उत्पन्न करते हैं। तदनुसार, उच्च रिकॉल वाला मॉडल ट्रू पॉज़िटिव और फ़ॉल्स नेगेटिव्स में सही अंतर करता है। यह सुरक्षित होता है।

यदि वास्तविक केस छूट जाने से बचना, फ़ॉल्स अलार्म स्वीकार करने से अधिक महत्वपूर्ण है, तो आपको प्रिसिजन की तुलना में रिकॉल को प्राथमिकता देनी चाहिए। उदाहरण उपयोग-केस:

• चिकित्सकीय सुरक्षा: बीमारी स्क्रीनिंग (जैसे कैंसर या सेप्सिस)। किसी बीमार मरीज़ का छूट जाना घातक हो सकता है, जबकि फ़ॉल्स अलार्म आगे की जाँच की ओर ले जाता है, जो सहनीय लागत है।
• साइबर सुरक्षा: मैलवेयर पहचान या नेटवर्क घुसपैठ। कुछ निर्दोष लॉगिन को संदिग्ध फ़्लैग करना बेहतर है, बनिस्बत इसके कि कोई हैकर बिना पकड़े सिस्टम में सेंध लगा दे।
• निर्माण गुणवत्ता: डिफेक्ट डिटेक्शन। किसी दोषपूर्ण उत्पाद की शिपिंग (फ़ॉल्स नेगेटिव) सुरक्षा दायित्व और साख को नुकसान पहुँचाती है, इसलिए कुछ सीमा-रेखा वाले आइटम त्यागना बेहतर है बजाय किसी ख़राब आइटम को पास करने के।

प्रिसिजन और रिकॉल का संतुलन: F1 स्कोर

यदि आप सुनिश्चित नहीं हैं कि मॉडल को प्रिसिजन या रिकॉल के लिए ऑप्टिमाइज़ करना है, या दोनों को ध्यान में रखना चाहते हैं, तो आप F1 स्कोर देख सकते हैं। 

F1 स्कोर प्रिसिजन और रिकॉल का हार्मोनिक औसत है, और तब उपयोग होता है जब आप दोनों मीट्रिक के बीच संतुलन साधना चाहते हैं। 

यदि प्रिसिजन और रिकॉल समान हैं, तो F1 स्कोर उसी मान के बराबर होगा। लेकिन यदि इनमें से कोई एक शून्य के पास पहुँचता है, तो F1 भी बहुत कम होगा।

ऊपर के उदाहरण में, प्रिसिजन 66.7% और रिकॉल 60% है। ऊपर दिए गए सूत्र से, हमें लगभग 63.2% का F1 स्कोर मिलता है:

निम्न तालिका एक्यूरेसी, प्रिसिजन, और रिकॉल की तुलना में F1 स्कोर की तुलना करती है।

Python में प्रिसिजन और रिकॉल की गणना

Python में प्रिसिजन, रिकॉल, और F1-स्कोर की गणना करने के कई तरीके हैं। आगे दो विधियाँ प्रस्तुत हैं: फ़ॉर्मूलों को सीधे लागू करना और scikit-learn पैकेज में निर्धारित फ़ंक्शंस का उपयोग करना।

फ़ॉर्मूलों से प्रिसिजन और रिकॉल निकालना

यदि आपको कन्फ्यूज़न मैट्रिक्स के आँकड़े पता हैं, तो ऊपर दिए गए फ़ॉर्मूलों से आप आसानी से मीट्रिक्स की गणना कर सकते हैं।

# Confusion matrix numbers
TP = 120
FP = 60
FN = 80
TN = 9740

# Formulas
precision = TP / (TP + FP)
recall = TP / (TP + FN)
f1 = 2 * precision * recall / (precision + recall)

# Output
print(f"{'Precision':<10} {precision:.1%}")
print(f"{'Recall':<10} {recall:.1%}")
print(f"{'F1':<10} {f1:.1%}")संचालित द्वारा

Precision	66.7%
Recall		60.0%
F1		63.2%संचालित द्वारा

इस कोड का आउटपुट हमारी पहले की गणनाओं से मेल खाता है।

scikit-learn का उपयोग कर प्रिसिजन और रिकॉल निकालना

आप डेटा से सीधे मीट्रिक्स निकालने के लिए scikit-learn लाइब्रेरी भी सीख सकते हैं। निम्न उदाहरण में, हम y_true और y_predicted का सिमुलेशन करते हैं। फिर हम precision_score(y_true, y_false) मेथड से प्रिसिजन निकालते हैं। इसी तरह रिकॉल और F1 स्कोर की गणना करते हैं। अंत में, परिणाम आउटपुट करेंगे।

import numpy as np
from sklearn.metrics import precision_score, recall_score, f1_score

# Simulate Data (y_true and y_pred)
TP, FP, FN, TN = 120, 60, 80, 9740
y_true = np.array(TP * [1] + FP * [0] + FN * [1] + TN * [0])
y_pred = np.array(TP * [1] + FP * [1] + FN * [0] + TN * [0])

# Compute metrics with scikit-learn
precision = precision_score(y_true, y_pred, zero_division=0)
recall = recall_score(y_true, y_pred, zero_division=0)
f1 = f1_score(y_true, y_pred, zero_division=0)

# Print aligned output using f-strings (no manual spaces, no colon)
print(f"{'Precision':<10} {precision:.1%}")
print(f"{'Recall':<10} {recall:.1%}")
print(f"{'F1':<10} {f1:.1%}")संचालित द्वारा

Precision	66.7%
Recall		60.0%
F1		63.2%संचालित द्वारा

अपेक्षा के अनुसार, ये आँकड़े भी हमारी पहले की गणनाओं से मेल खाते हैं।

निष्कर्ष

हालाँकि एक्यूरेसी एक उपयोगी शुरुआती बिंदु है, यह अक्सर वे विवरण छुपा देती है जिनकी आपको यह समझने के लिए ज़रूरत है कि क्यों कोई मॉडल असफल हो रहा है। प्रिसिजन और रिकॉल आपको एक स्पष्ट तस्वीर देते हैं क्योंकि वे आपको फ़ॉल्स अलार्म और छूटे हुए डिटेक्शंस के बीच के संतुलन को देखने के लिए बाध्य करते हैं। 

आख़िरकार, सही मीट्रिक चुनना सिर्फ़ गणित का सवाल नहीं है; यह इस व्यावहारिक निर्णय के बारे में है कि आपका सिस्टम किस प्रकार की ग़लती बर्दाश्त कर सकता है।

क्या आप अपने खुद के मशीन लर्निंग मॉडल बनाना चाहते हैं? Machine Learning Fundamentals in Python स्किल ट्रैक से आज ही शुरुआत करें!