तपाईले मेसिन लर्निङ मोडलहरूको मूल्यांकन कसरी गर्नुहुन्छ?

Question

Accepted Answer

ML मोडलहरूको मूल्यांकन गर्नु भनेको तिनीहरूले कति राम्रोसँग काम गरिरहेका छन् भनेर मापन गर्नु हो — उपयुक्त **मेट्रिक्स** (accuracy, precision, recall, आदि) र **test data** मा जसलाई मोडलले अगाडि देखेको छैन। सही मूल्यांकन आवश्यक छ कि मोडल वास्तवमा काम गरिरहेको छ र विश्वस्त छ भनेर जान्न।

## नदेखेको डेटामा मूल्यांकन

```text
→ evaluate on a TEST set the model did NOT train on → measures GENERALIZATION (real performance)
→ training accuracy alone is misleading (a model can memorize training data)
→ train/validation/test split; cross-validation → reliable performance estimates
```

## सामान्य मेट्रिक्स

```text
CLASSIFICATION:
  ACCURACY → % correct (but misleading for IMBALANCED data — e.g. 99% 'not fraud')
  PRECISION → of predicted positives, how many are actually positive (avoid false positives)
  RECALL → of actual positives, how many were found (avoid false negatives/missing cases)
  F1 → balance of precision and recall
  CONFUSION MATRIX → true/false positives/negatives breakdown
REGRESSION:
  MAE, MSE/RMSE → average prediction error (how far off predictions are)
→ choose metrics that fit the problem (accuracy isn't always right)
```

## सही मेट्रिक किन महत्त्वपूर्ण छ

```text
⚠️ ACCURACY can MISLEAD on imbalanced data (predict 'no disease' always → high accuracy,
  useless model)
→ PRECISION vs RECALL trade-off → depends on the cost of false positives vs false negatives
  (e.g. medical: high recall to not miss disease; spam: precision to not block real emails)
→ pick metrics aligned with what MATTERS for the use case
```

## यो किन महत्त्वपूर्ण छ

ML मोडलहरूको मूल्यांकन गर्न कसरी गर्ने भनेर बुझ्नु मूल्यवान छ किनकि **सही मूल्यांकन आवश्यक छ कि मोडल वास्तवमा काम गरिरहेको छ भनेर जान्न**, त्यसकारण यो महत्त्वपूर्ण ML ज्ञान हो।

सही मूल्यांकन बिना, तपाईले मोडल विश्वस्त छ कि छैन भनेर बताउन सक्नुहुन्न।

**नदेखेको डेटामा मूल्यांकन** बुझ्नु — मोडलले प्रशिक्षण नगरेको डेटामा परीक्षण गर्दै सामान्यकरण मापन गर्नु (वास्तविक कार्यसम्पादन), किनकि प्रशिक्षण accuracy अकेलै भ्रामक छ (मोडलहरू प्रशिक्षण डेटा स्मरण गर्न सक्छन्), train/validation/test विभाजन र cross-validation प्रयोग गरी — अर्थपूर्ण मूल्यांकनको आधार हो।

**सामान्य मेट्रिक्स** बुझ्नु — वर्गीकरणको लागि: accuracy (% सही, तर असन्तुलित डेटाको लागि भ्रामक), **precision** (भविष्यद्वाणी गरिएको सकारात्मकको, कति वास्तवमा सकारात्मक छन्), **recall** (वास्तविक सकारात्मकको, कति फेला परेको थियो), F1 (precision र recall को संतुलन), र confusion matrix; regression को लागि: MAE र RMSE (औसत त्रुटि) — कार्यसम्पादन मापन गर्नको लागि उपकरण सेट प्रदान गरिदिन्छ, महत्त्वपूर्ण बिन्दु यो छ कि **सही मेट्रिक समस्या मा निर्भर गरिन्छ**।

**सही मेट्रिक किन महत्त्वपूर्ण छ** भनेर बुझ्नु मूल अन्तरदृष्टि हो: **accuracy असन्तुलित डेटामा भ्रामक हुन सक्छ** (सधैँ बहुमत वर्गको भविष्यद्वाणी गर्दा उच्च accuracy दिन्छ तर बेकार मोडल — एक गम्भीर समस्या), र **precision बनाम recall को व्यापार** false positives बनाम false negatives को लागत मा निर्भर गरिन्छ (चिकित्सा निदानमा उच्च recall रोग मिस नगर्न, spam filtering मा उच्च precision वास्तविक ईमेल अवरुद्ध नगर्न)।

मेट्रिक्स चयन गर्नु use case को लागि महत्त्वपूर्ण छ भनेर पङ्क्तिबद्ध गर्नु आवश्यक छ, किनकि गलत मेट्रिक (जस्तै असन्तुलित डेटामा accuracy) मोडल काम गरिरहेको गलत धारणा दिन्छ।

सही मूल्यांकन (नदेखेको डेटा, उपयुक्त मेट्रिक्स) विश्वस्त ML निर्माणको लागि आवश्यक छ — एक मोडल जसको सही मूल्यांकन गरिएको छैन उत्पादनमा फेल हुन सक्छ राम्रो दिखिए पनि।

सही मूल्यांकन आवश्यक छ कि मोडल वास्तवमा काम गरिरहेको छ (सामान्यकृत, विश्वस्त) र यो बुझ्नु — नदेखेको डेटामा मूल्यांकन, सामान्य मेट्रिक्स, र महत्त्वपूर्ण रूपमा सही मेट्रिक चयन गर्नु (असन्तुलित डेटामा accuracy जस्तै भ्रामक मेट्रिक्स बेवास्ता गरी, use case द्वारा precision/recall संतुलन गरी) — महत्त्वपूर्ण ML ज्ञान हो, ML मोडलहरूको मूल्यांकन गर्न कसरी गर्ने भनेर बुझ्नु मूल्यवान, व्यावहारिक रूपमा महत्त्वपूर्ण ML ज्ञान हो — मोडलहरू वास्तवमा काम गरिरहेका छन् भनेर जानको लागि आवश्यक (unseen-data evaluation र उपयुक्त मेट्रिक्स मार्फत), महत्त्वपूर्ण अन्तरदृष्टि यो छ कि सही मेट्रिक use case मा निर्भर गरिन्छ (भ्रामक मेट्रिक्स जस्तै असन्तुलित डेटामा accuracy बेवास्ता गरी), विश्वस्त ML निर्माणको लागि महत्त्वपूर्ण।