एआई, व्यावहारिक पाठ्यक्रम। छवियों में भावनाओं को पहचानने के लिए मूल मॉडल

इस लेख में, हम एक दृढ़ तंत्रिका नेटवर्क के एक मूल मॉडल का निर्माण करेंगे जो छवियों में भावनाओं की पहचान करने में सक्षम है। हमारे मामले में भावनाओं की पहचान एक द्विआधारी वर्गीकरण कार्य है, जिसका उद्देश्य छवियों को सकारात्मक और नकारात्मक में विभाजित करना है।

सभी कोड, नोटबुक दस्तावेज, और डॉकफाइल सहित अन्य सामग्री, यहां पाई जा सकती है ।

डेटा

वस्तुतः सभी मशीन लर्निंग कार्यों में पहला कदम डेटा को समझना है। चलो करते हैं।

डेटासेट संरचना

यहां कच्चा डेटा डाउनलोड किया जा सकता है ( बेसलाइन.पिनब दस्तावेज़ में, इस अनुभाग में सभी क्रियाएं स्वचालित रूप से की जाती हैं)। प्रारंभ में, डेटा ज़िप * प्रारूप के संग्रह में है। इसे अनपैक करें और प्राप्त फ़ाइलों की संरचना से परिचित हों।



सभी छवियों को "डेटासेट 50:50" कैटलॉग के अंदर संग्रहीत किया जाता है और इसकी दो उपनिर्देशिकाओं के बीच वितरित किया जाता है, जिसका नाम उनकी कक्षा से मेल खाता है - नकारात्मक और सकारात्मक। कृपया ध्यान दें कि कार्य थोड़ा असंतुलित है - 53 प्रतिशत चित्र सकारात्मक हैं, और केवल 47 प्रतिशत नकारात्मक हैं। आमतौर पर, वर्गीकरण की समस्याओं में डेटा को असंतुलित माना जाता है यदि विभिन्न वर्गों में उदाहरणों की संख्या बहुत भिन्न होती है। असंतुलित डेटा के साथ काम करने के कई तरीके हैं - उदाहरण के लिए, ओवरसम्पलिंग, ओवरसम्पलिंग, डेटा के बदलते वजन कारक, आदि। हमारे मामले में, असंतुलन महत्वहीन है और सीखने की प्रक्रिया को नाटकीय रूप से प्रभावित नहीं करना चाहिए। केवल यह याद रखना आवश्यक है कि भोला क्लासिफायर, हमेशा "पॉजिटिव" मूल्य देने वाला, इस डेटा सेट के लिए लगभग 53 प्रतिशत की सटीकता मूल्य प्रदान करेगा।

आइए प्रत्येक वर्ग की कुछ छवियों को देखें।

नकारात्मक







सकारात्मक







पहली नज़र में, विभिन्न वर्गों के चित्र वास्तव में एक दूसरे से भिन्न होते हैं। हालांकि, चलो एक गहन अध्ययन करते हैं और खराब उदाहरणों को खोजने की कोशिश करते हैं - विभिन्न वर्गों से संबंधित समान छवियां।

उदाहरण के लिए, हमारे पास नकारात्मक लेबल वाले सांपों की लगभग 90 छवियां हैं और सकारात्मक रूप से सांपों की लगभग 40 समान छवियां हैं।

सांप की सकारात्मक छवि



सांप की नकारात्मक छवि



मकड़ियों (130 नकारात्मक और 20 सकारात्मक चित्र), नग्नता (15 नकारात्मक और 45 सकारात्मक छवियां) और कुछ अन्य वर्गों के साथ एक ही द्वंद्व होता है। एक को यह अहसास होता है कि छवियों का अंकन अलग-अलग लोगों द्वारा किया गया था, और एक ही छवि के बारे में उनकी धारणा अलग हो सकती है। इसलिए, लेबलिंग में इसकी अंतर्निहित असंगति है। सांपों की ये दो छवियां लगभग समान हैं, जबकि विभिन्न विशेषज्ञों ने उन्हें विभिन्न वर्गों के लिए जिम्मेदार ठहराया। इस प्रकार, हम यह निष्कर्ष निकाल सकते हैं कि अपनी प्रकृति के कारण इस कार्य के साथ काम करते समय 100% सटीकता सुनिश्चित करना मुश्किल है। हमारा मानना ​​है कि सटीकता का अधिक यथार्थवादी अनुमान 80 प्रतिशत का मूल्य होगा - यह मान प्रारंभिक दृश्य जांच के दौरान विभिन्न वर्गों में पाए गए समान छवियों के अनुपात पर आधारित है।

प्रशिक्षण / सत्यापन प्रक्रिया का पृथक्करण

हम हमेशा सर्वश्रेष्ठ संभव मॉडल बनाने का प्रयास करते हैं। हालाँकि, इस अवधारणा का अर्थ क्या है? इसके लिए कई अलग-अलग मानदंड हैं, जैसे: गुणवत्ता, लीड समय (सीखने + उत्पादन प्राप्त करना), और मेमोरी खपत। उनमें से कुछ को आसानी से और निष्पक्ष रूप से मापा जा सकता है (उदाहरण के लिए, समय और स्मृति आकार), जबकि अन्य (गुणवत्ता) निर्धारित करना अधिक कठिन है। उदाहरण के लिए, आपका मॉडल कई बार उपयोग किए गए उदाहरणों से सीखते समय 100 प्रतिशत सटीकता प्रदर्शित कर सकता है, लेकिन नए उदाहरणों के साथ काम करने में विफल रहता है। इस समस्या को ओवरफिटिंग कहा जाता है और यह मशीन सीखने में सबसे महत्वपूर्ण है। अंडरफ़िटिंग की समस्या भी है: इस मामले में, मॉडल प्रस्तुत डेटा से नहीं सीख सकता है और एक निश्चित प्रशिक्षण डेटा सेट का उपयोग करते समय भी खराब भविष्यवाणियां दिखाता है।

ओवरफिटिंग की समस्या को हल करने के लिए, नमूनों का हिस्सा रखने की तथाकथित तकनीक का उपयोग किया जाता है । इसका मुख्य विचार स्रोत डेटा को दो भागों में विभाजित करना है:

• एक प्रशिक्षण सेट , जो आमतौर पर अधिकांश डेटा सेट बनाता है और मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है।
• परीक्षण सेट आमतौर पर स्रोत डेटा का एक छोटा सा हिस्सा होता है, जिसे सभी प्रशिक्षण प्रक्रियाओं को करने से पहले दो भागों में विभाजित किया जाता है। यह सेट प्रशिक्षण में बिल्कुल भी उपयोग नहीं किया जाता है और प्रशिक्षण पूरा होने के बाद मॉडल के परीक्षण के लिए नए उदाहरण के रूप में माना जाता है।

इस पद्धति का उपयोग करते हुए, हम यह देख सकते हैं कि हमारा मॉडल कितना अच्छा सामान्यीकरण करता है (अर्थात, यह पहले के अज्ञात उदाहरणों के साथ काम करता है)।

यह लेख प्रशिक्षण और परीक्षण सेट के लिए 4/1 अनुपात का उपयोग करेगा। एक और तकनीक जिसका हम उपयोग करते हैं वह तथाकथित स्तरीकरण है । यह शब्द अन्य सभी वर्गों के स्वतंत्र रूप से प्रत्येक वर्ग के विभाजन को संदर्भित करता है। यह दृष्टिकोण प्रशिक्षण और परीक्षण सेटों में वर्ग आकारों के बीच समान संतुलन बनाए रखने की अनुमति देता है। स्तरीकरण अंतर्निहित रूप से इस धारणा का उपयोग करता है कि उदाहरणों का वितरण तब बदलता नहीं है जब स्रोत डेटा बदलता है और नए उदाहरणों का उपयोग करते समय समान रहता है।



हम एक सरल उदाहरण के साथ स्तरीकरण की अवधारणा को स्पष्ट करते हैं। मान लीजिए कि हमारे पास उचित संख्या में वस्तुओं के साथ चार डेटा समूह / कक्षाएं हैं: बच्चे (5), किशोर (10), वयस्क (80) और पुराने लोग (5); दाईं ओर चित्र देखें ( विकिपीडिया से )। अब हमें इस डेटा को 3/2 के अनुपात में दो सेटों में तोड़ना होगा। उदाहरणों के स्तरीकरण का उपयोग करते समय, वस्तुओं का चयन प्रत्येक समूह से स्वतंत्र रूप से किया जाएगा: बच्चों के समूह से 2 ऑब्जेक्ट, किशोरों के समूह से 4 ऑब्जेक्ट, वयस्कों के समूह से 32 ऑब्जेक्ट और बुजुर्ग लोगों के समूह से 2 ऑब्जेक्ट। नए डेटा सेट में 40 ऑब्जेक्ट होते हैं, जो मूल डेटा का 2/5 है। इसी समय, नए डेटासेट में कक्षाओं के बीच संतुलन स्रोत डेटा में उनके संतुलन से मेल खाता है।

उपरोक्त सभी क्रियाएं एक फ़ंक्शन में कार्यान्वित की जाती हैं, जिसे तैयार_डाटा कहा जाता है; यह फ़ंक्शन utils.py Python फ़ाइल में पाया जा सकता है। यह फ़ंक्शन डेटा को लोड करता है, एक निश्चित यादृच्छिक संख्या (बाद के प्लेबैक के लिए) का उपयोग करके प्रशिक्षण और परीक्षण सेटों में विभाजित करता है, और फिर बाद में उपयोग के लिए हार्ड ड्राइव पर निर्देशिकाओं के बीच डेटा वितरित करता है।

Pretreatment और ऑग्मेंटेशन

पिछले लेखों में से एक में, पूर्व-प्रसंस्करण क्रिया और डेटा वृद्धि के रूप में उनके उपयोग के संभावित कारणों का वर्णन किया गया था। संवादात्मक तंत्रिका नेटवर्क काफी जटिल मॉडल हैं, और उन्हें प्रशिक्षित करने के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है। हमारे मामले में, केवल 1600 उदाहरण हैं - यह, ज़ाहिर है, पर्याप्त नहीं है।

इसलिए, हम डेटा वृद्धि द्वारा उपयोग किए गए डेटा के सेट का विस्तार करना चाहते हैं। डेटा प्रीप्रोसेसिंग पर लेख में निहित जानकारी के अनुसार, केरस * पुस्तकालय हार्ड ड्राइव से इसे पढ़ते समय मक्खी पर डेटा को बढ़ाने की क्षमता प्रदान करता है। यह ImageDataGenerator वर्ग के माध्यम से किया जा सकता है।



जनरेटर के दो उदाहरण यहां बनाए गए हैं। पहला उदाहरण प्रशिक्षण के लिए है और कई यादृच्छिक परिवर्तनों का उपयोग करता है - जैसे कि रोटेशन, शिफ्ट, कनविक्शन, स्केलिंग, और क्षैतिज रोटेशन - डिस्क से डेटा पढ़ने और उन्हें मॉडल में स्थानांतरित करते समय। नतीजतन, मॉडल परिवर्तित उदाहरण प्राप्त करता है, और मॉडल द्वारा प्राप्त प्रत्येक उदाहरण इस रूपांतरण की यादृच्छिक प्रकृति के कारण अद्वितीय है। दूसरी प्रति सत्यापन के लिए है, और यह केवल छवियों पर ज़ूम करता है। लर्निंग और परीक्षण जनरेटर में केवल एक सामान्य परिवर्तन है - ज़ूमिंग। मॉडल की कम्प्यूटेशनल स्थिरता सुनिश्चित करने के लिए, रेंज का उपयोग करना आवश्यक है [0; 1] के बजाय [0; 255]।

मॉडल वास्तुकला

प्रारंभिक डेटा का अध्ययन और तैयार करने के बाद, मॉडल बनाने का चरण निम्नानुसार है। चूँकि डेटा की एक छोटी मात्रा हमारे पास उपलब्ध है, इसलिए हम अपेक्षाकृत सरल मॉडल का निर्माण करने जा रहे हैं ताकि इसे उचित रूप से प्रशिक्षित किया जा सके और ओवरफिटिंग की स्थिति को समाप्त किया जा सके। चलो VGG शैली की वास्तुकला की कोशिश करें, लेकिन कम परतों और फ़िल्टर का उपयोग करें।





नेटवर्क आर्किटेक्चर में निम्नलिखित भाग होते हैं:
[कन्वर्सेशन लेयर + कनविक्शन लेयर + अधिकतम मूल्य चयन] × २
पहले भाग में 64 फिल्टर (आकार 3 और चरण 2 के साथ) के साथ दो सुपरिंपोज्ड कंसिस्टेंट लेयर्स हैं और उनके बाद स्थित अधिकतम मूल्य (आकार 2 और चरण 2 के साथ) का चयन करने के लिए एक परत है। इस भाग को आमतौर पर एक सुविधा निष्कर्षण इकाई के रूप में भी संदर्भित किया जाता है , क्योंकि फ़िल्टर कुशलता से इनपुट डेटा से सार्थक विशेषताओं को निकालते हैं (अधिक जानकारी के लिए छवि वर्गीकरण के लिए आलेखीय तंत्रिका नेटवर्क अवलोकन देखें)।

संरेखण

यह हिस्सा अनिवार्य है, क्योंकि चार आयामी टेंसर, कंफ्यूज़नल पार्ट (उदाहरण, ऊँचाई, चौड़ाई और चैनल) के आउटपुट पर प्राप्त होते हैं। हालांकि, एक पूरी तरह से जुड़े परत के लिए, हमें इनपुट के रूप में दो आयामी टेंसर (उदाहरण, विशेषताएं) की आवश्यकता होती है। इसलिए, उन्हें एक अक्ष में संयोजित करने के लिए पिछले तीन अक्षों के चारों ओर टेंसर को संरेखित करना आवश्यक है। वास्तव में, इसका मतलब है कि हम प्रत्येक फीचर मैप में प्रत्येक बिंदु को एक अलग गुण मानते हैं और उन्हें एक वेक्टर में संरेखित करते हैं। नीचे दिया गया आंकड़ा 128 चैनलों के साथ 4 × 4 छवि का एक उदाहरण दिखाता है, जिसे 1024 तत्वों की लंबाई के साथ एक विस्तारित वेक्टर में गठबंधन किया गया है।



[पूर्ण परत + बहिष्करण विधि] × २

यहाँ नेटवर्क का वर्गीकरण हिस्सा है । वह छवियों की विशेषताओं के एक संरेखित दृश्य लेती है और उन्हें सर्वोत्तम संभव तरीके से वर्गीकृत करने की कोशिश करती है। नेटवर्क के इस भाग में दो सुपरइम्पोज़्ड ब्लॉक्स होते हैं जो पूरी तरह से कनेक्टेड लेयर और एक एक्सक्लूजन विधि से युक्त होते हैं। हम पहले से ही पूरी तरह से जुड़े परतों से परिचित हो गए हैं - आमतौर पर ये पूरी तरह से जुड़े हुए कनेक्शन के साथ परतें हैं। लेकिन "बहिष्करण विधि" क्या है? बहिष्करण विधि एक नियमितीकरण तकनीक है जो ओवरफिटिंग को रोकने में मदद करती है। ओवरफिटिंग के संभावित संकेतों में से एक वजन गुणांक (परिमाण के आदेश) के अत्यंत भिन्न मूल्य हैं। इस समस्या को हल करने के कई तरीके हैं, जिसमें वजन कम करना और उन्मूलन विधि शामिल है। उन्मूलन विधि का विचार प्रशिक्षण के दौरान यादृच्छिक न्यूरॉन्स को डिस्कनेक्ट करना है (प्रत्येक पैकेज / प्रशिक्षण युग के बाद डिस्कनेक्ट किए गए न्यूरॉन्स की सूची को अपडेट किया जाना चाहिए)। यह बहुत दृढ़ता से भारांक गुणांक के लिए पूरी तरह से अलग मान प्राप्त करने से रोकता है - इस तरह से नेटवर्क को नियमित किया जाता है।



अपवर्जन विधि के आवेदन का एक उदाहरण (आंकड़ा लेख से लिया गया है अपवर्जन विधि: तंत्रिका नेटवर्क में ओवरफिटिंग को रोकने का एक आसान तरीका ):

सिग्माइड मॉड्यूल

आउटपुट परत को समस्या के बयान के अनुरूप होना चाहिए। इस मामले में, हम बाइनरी वर्गीकरण समस्या से निपट रहे हैं, इसलिए हमें सिग्मॉइड सक्रियण फ़ंक्शन के साथ एक आउटपुट न्यूरॉन की आवश्यकता होती है, जो कि नंबर 1 के साथ वर्ग से संबंधित होने की संभावना पी का अनुमान लगाता है (हमारे मामले में, ये सकारात्मक छवियां होंगी)। फिर संख्या 0 (नकारात्मक छवियों) के साथ वर्ग से संबंधित होने की संभावना को आसानी से 1 - पी के रूप में गणना की जा सकती है।

सेटिंग्स और प्रशिक्षण विकल्प

हमने मॉडल वास्तुकला को चुना और इसे पायथन भाषा के लिए केरस लाइब्रेरी का उपयोग करके निर्दिष्ट किया। इसके अलावा, मॉडल प्रशिक्षण शुरू करने से पहले, इसे संकलित करना आवश्यक है।



संकलन चरण में, मॉडल को प्रशिक्षण के लिए तैयार किया गया है। इस मामले में, तीन मुख्य मापदंडों को निर्दिष्ट किया जाना चाहिए:

• आशावादी । इस मामले में, हम डिफ़ॉल्ट ऑप्टिमाइज़र एडम * का उपयोग करते हैं, जो कि एक पल और अनुकूली सीखने की गति के साथ स्टॉचस्टिक ग्रेडिएंट डिसेंट एल्गोरिथ्म का एक प्रकार है (अधिक जानकारी के लिए एस डीर के ब्लॉग प्रविष्टि को देखें। ग्रेडिएंट डीसेंट ऑप्टिमाइज़ेशन एल्गोरिदम )।
• हानि समारोह । हमारा कार्य एक द्विआधारी वर्गीकरण समस्या है, इसलिए हानि फ़ंक्शन के रूप में बाइनरी क्रॉस एन्ट्रॉपी का उपयोग करना उचित होगा।
• मेट्रिक्स । यह एक वैकल्पिक तर्क है जिसके साथ आप प्रशिक्षण प्रक्रिया के दौरान ट्रैक करने के लिए अतिरिक्त मीट्रिक निर्दिष्ट कर सकते हैं। इस मामले में, हमें उद्देश्य फ़ंक्शन के साथ सटीकता को ट्रैक करने की आवश्यकता है।

अब हम मॉडल को प्रशिक्षित करने के लिए तैयार हैं। कृपया ध्यान दें कि प्रशिक्षण प्रक्रिया पिछले अनुभाग में आरंभ किए गए जनरेटर का उपयोग करके की जाती है।

युगों की संख्या एक और हाइपरपैरमीटर है जिसे अनुकूलित किया जा सकता है। यहाँ हम इसे केवल 10. का मान देते हैं। हम बाद में इसे डाउनलोड करने में सक्षम होने के लिए मॉडल और सीखने के इतिहास को भी बचाना चाहते हैं।

मूल्यांकन

अब देखते हैं कि हमारा मॉडल कितना अच्छा काम करता है। सबसे पहले, हम सीखने की प्रक्रिया में मैट्रिक्स में बदलाव पर विचार करते हैं।



आंकड़े में, आप देख सकते हैं कि सत्यापन और सटीकता की क्रॉस एन्ट्रापी समय के साथ कम नहीं होती है। इसके अलावा, प्रशिक्षण और परीक्षण सेट के लिए सटीकता मीट्रिक बस एक यादृच्छिक क्लासिफायरियर के मूल्य के आसपास उतार-चढ़ाव करता है। परीक्षण सेट के लिए अंतिम सटीकता 55 प्रतिशत है, जो एक यादृच्छिक अनुमान से थोड़ा बेहतर है।

आइए देखें कि कक्षाओं के बीच मॉडल भविष्यवाणियों को कैसे वितरित किया जाता है। इस प्रयोजन के लिए, पायथन भाषा के लिए स्केलेरन * पैकेज से संबंधित फ़ंक्शन का उपयोग करके अशुद्धियों के एक मैट्रिक्स को बनाना और कल्पना करना आवश्यक है।
अशुद्धियों के मैट्रिक्स में प्रत्येक कोशिका का अपना नाम है:

• ट्रू पॉजिटिव रेट = टीपीआर (अपर राइट सेल) पॉजिटिव उदाहरणों के अनुपात (क्लास 1, यानी हमारे मामले में पॉजिटिव इमोशंस) को सही तरीके से पॉजिटिव के रूप में वर्गीकृत करता है।
• झूठी सकारात्मक दर = FPR (निचला दायां सेल) उन सकारात्मक उदाहरणों के अनुपात का प्रतिनिधित्व करता है जिन्हें गलत तरीके से नकारात्मक (कक्षा 0, अर्थात नकारात्मक भावनाओं) के रूप में वर्गीकृत किया गया है।
• ट्रू नेगेटिव रेट = टीएनआर (लोअर लेफ्ट सेल) उन नकारात्मक उदाहरणों के अनुपात का प्रतिनिधित्व करता है जिन्हें सही तरीके से नकारात्मक के रूप में वर्गीकृत किया गया है।
• झूठी नकारात्मक दर = FNR (ऊपरी बाएं सेल) नकारात्मक उदाहरणों के अनुपात का प्रतिनिधित्व करता है जिन्हें गलत तरीके से सकारात्मक के रूप में वर्गीकृत किया जाता है।

हमारे मामले में, TPR और FPR दोनों 1 के करीब हैं। इसका मतलब है कि लगभग सभी वस्तुओं को सकारात्मक के रूप में वर्गीकृत किया गया था। इस प्रकार, हमारे मॉडल को एक बड़े वर्ग की निरंतर भविष्यवाणियों (हमारे मामले में, ये सकारात्मक छवियां हैं) के साथ भोले बेस मॉडल से दूर नहीं किया जाता है।

एक और दिलचस्प मीट्रिक जो देखने के लिए दिलचस्प है वह है रिसीवर प्रदर्शन वक्र (आरओसी वक्र) और इस वक्र (आरओसी एयूसी) के तहत क्षेत्र। इन अवधारणाओं की एक औपचारिक परिभाषा यहां पाई जा सकती है । संक्षेप में, आरओसी वक्र दिखाता है कि बाइनरी क्लासिफायर कितनी अच्छी तरह काम करता है।

हमारे कॉन्फिडेंशियल न्यूरल नेटवर्क के क्लासिफायर में एक आउटपुट के रूप में सिग्मॉइड मॉड्यूल होता है, जो कक्षा 1 के लिए उदाहरण की संभावना को बताता है। अब मान लीजिए कि हमारा क्लासिफायर अच्छा काम दिखाता है और कक्षा 0 के उदाहरणों के लिए कम प्रायिकता मान प्रदान करता है (नीचे चित्र में हरा हिस्टोग्राम) उदाहरणों के लिए उच्च संभावना मान। कक्षा 1 (नीला हिस्टोग्राम)।



आरओसी वक्र दिखाता है कि 0 से 1 तक वर्गीकरण दहलीज को स्थानांतरित करते समय टीपीआर संकेतक एफपीआर संकेतक पर निर्भर करता है (दायां आंकड़ा, ऊपरी भाग)। दहलीज की अवधारणा की बेहतर समझ के लिए, याद रखें कि हमारे पास प्रत्येक उदाहरण के लिए कक्षा 1 से संबंधित होने की संभावना है। हालाँकि, संभावना अभी तक एक वर्ग लेबल नहीं है। इसलिए, यह थ्रेशोल्ड के साथ तुलना करके यह निर्धारित किया जाना चाहिए कि उदाहरण किस वर्ग का है। उदाहरण के लिए, यदि थ्रेशोल्ड मान 1 है, तो सभी उदाहरणों को वर्ग 0 से संबंधित के रूप में वर्गीकृत किया जाना चाहिए, क्योंकि संभाव्यता मान 1 से अधिक नहीं हो सकता है, और इस मामले में FPR और TPR संकेतक के मान 0 होंगे (क्योंकि नमूनों में से कोई भी सकारात्मक के रूप में वर्गीकृत नहीं किया गया है) )। यह स्थिति आरओसी वक्र पर सबसे बाईं ओर स्थित है। वक्र के दूसरी तरफ एक बिंदु है जिस पर थ्रेशोल्ड मान 0 है: इसका मतलब है कि सभी नमूनों को कक्षा 1 से संबंधित के रूप में वर्गीकृत किया गया है, और टीपीआर और एफपीआर दोनों के मूल्य 1 के बराबर हैं। मध्यवर्ती बिंदु टीआरपी / एफपीआर निर्भरता के व्यवहार को दर्शाते हैं जब थ्रेशोल्ड वैल्यू बदल जाती है।

ग्राफ पर विकर्ण रेखा एक यादृच्छिक क्लासिफायरियर से मेल खाती है। जितना बेहतर हमारा क्लासिफायर काम करता है, उतना ही उसका वक्र ग्राफ के ऊपरी बाएं बिंदु पर होता है। , ROC- ( ROC AUC). 1. AUC, 0,5, .

AUC (. ) 0,57, .



, . , :

• , . .
• ( ) .

निष्कर्ष

. , , : , ROC-, ROC AUC . , . .