एक्यूरेसी कैलकुलेटर

एक्यूरेसी (अनुपात)	0.75
सही भविष्यवाणियां (TP + TN)	150
कुल भविष्यवाणियां	200

एक्यूरेसी कैलकुलेटर क्या है?

एक्यूरेसी (सटीकता) किसी क्लासिफिकेशन मॉडल को परखने के सबसे आम मेट्रिक्स में से एक है। यह बताती है कि मॉडल ने अपनी कुल भविष्यवाणियों में से कितने हिस्से सही किए — यानी सही पॉज़िटिव प्रेडिक्शन और सही नेगेटिव प्रेडिक्शन, दोनों। यह कैलकुलेटर कन्फ्यूज़न मैट्रिक्स के चार खानों को लेकर एक्यूरेसी स्कोर निकालता है, जो आपको अनुपात और प्रतिशत — दोनों रूपों में मिलता है।

इसका इस्तेमाल कैसे करें

अपने कन्फ्यूज़न मैट्रिक्स से चार संख्याएं डालें:

TP (ट्रू पॉज़िटिव) — वे पॉज़िटिव केस जिन्हें सही तरीके से पॉज़िटिव बताया गया।
TN (ट्रू नेगेटिव) — वे नेगेटिव केस जिन्हें सही तरीके से नेगेटिव बताया गया।
FP (फॉल्स पॉज़िटिव) — वे नेगेटिव केस जिन्हें गलती से पॉज़िटिव बता दिया गया।
FN (फॉल्स नेगेटिव) — वे पॉज़िटिव केस जिन्हें गलती से नेगेटिव बता दिया गया।

कैलकुलेटर अपने आप एक्यूरेसी निकाल देगा। कोई टूल पास नहीं है? बस चारों संख्याओं को जोड़िए और नीचे दिया गया फ़ॉर्मूला लगा लीजिए।

फ़ॉर्मूला समझें

एक्यूरेसी:

$$\text{Accuracy} = \dfrac{TP + TN}{TP + TN + FP + FN}$$

ऊपर का हिस्सा (numerator) हर सही भविष्यवाणी को गिनता है, जबकि नीचे का हिस्सा (denominator) कुल भविष्यवाणियों की संख्या है। प्रतिशत में बदलने के लिए इसे 100 से गुणा कर दें।

$$\text{Accuracy \%} = \text{Accuracy} \times 100$$

TP, TN, FP और FN सेल दिखाने वाला 2x2 कन्फ्यूज़न मैट्रिक्स — कन्फ्यूज़न मैट्रिक्स के चार परिणाम: सही भविष्यवाणियाँ (TP, TN) हरे रंग में और त्रुटियाँ (FP, FN) लाल रंग में।

हल किया हुआ उदाहरण

मान लीजिए किसी मॉडल का परिणाम है $TP = 80$, $TN = 70$, $FP = 20$, $FN = 30$। सही भविष्यवाणियां = $80 + 70 = 150$। कुल = $80 + 70 + 20 + 30 = 200$। एक्यूरेसी:

$$\text{Accuracy} = \dfrac{150}{200} = 0.75 = 75\%$$

विभिन्न परिदृश्यों में सटीकता

वही सटीकता सूत्र $\text{सटीकता} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}} \times 100\%$ बहुत भिन्न मॉडल व्यवहार को छुपा सकता है। नीचे दिए गए परिदृश्य प्रत्येक में कुल 100 मामलों का उपयोग करते हैं इसलिए प्रतिशत सीधे तुलनीय हैं।

परिदृश्य	TP	TN	FP	FN	सटीकता
संतुलित डेटासेट, अच्छा मॉडल	45	45	5	5	90%
असंतुलित, बहुसंख्या-नकारात्मक (दुर्लभ रोग)	2	93	2	3	95%
"हमेशा नकारात्मक की भविष्यवाणी करें" आधारभूत	0	95	0	5	95%
उच्च झूठी सकारात्मक (अत्यधिक संकेत)	48	22	28	2	70%
उच्च झूठी नकारात्मक (छूटी हुई सकारात्मक)	20	50	0	30	70%

मुख्य निष्कर्ष दूसरी और तीसरी पंक्तियों की तुलना है: एक मॉडल जो केवल बहुसंख्या वर्ग की भविष्यवाणी करता है वह उसी 95% तक पहुंचता है जितना एक मॉडल जो वास्तव में कुछ सकारात्मक मामलों का पता लगाता है। संतुलित डेटासेट पर (पंक्ति 1) सटीकता कहीं अधिक सूचनापूर्ण है। अंतिम दो पंक्तियां दिखाती हैं कि समान 70% सटीकता वाले दो मॉडल विपरीत, परस्पर असंगत तरीकों से विफल हो सकते हैं — एक झूठे अलर्ट से आपको भर देता है, दूसरा चुप्पी से सकारात्मक को छोड़ देता है।

अपने सटीकता स्कोर की व्याख्या

सटीकता सभी भविष्यवाणियों का वह अंश है जो वर्गीकरण सकारात्मक और नकारात्मक दोनों को सही पाया — दोनों सकारात्मक और नकारात्मक। 90% की सटीकता का अर्थ है कि हर 10 मामलों में से 9 को सही तरीके से लेबल किया गया था, और पूरक त्रुटि दर $100\% - 90\% = 10\%$ है। यह सहज है और संचार करने में आसान है, जो बिल्कुल यही कारण है कि इसे अक्सर गलत समझा जाता है।

हमेशा कोई जानकारी न देने वाली आधारभूति से तुलना करें। सबसे ईमानदार स्वच्छता जांच बहुसंख्या-वर्ग आधारभूति है: यह सटीकता जो आप सबसे सामान्य वर्ग की हमेशा भविष्यवाणी करके प्राप्त करते हैं। यदि आपके 95% मामले नकारात्मक हैं, तो एक वर्गीकरण जो हर बार अंधविश्वास से "नकारात्मक" की भविष्यवाणी करता है पहले से ही 95% तक पहुंचता है। एक वास्तविक मॉडल को उस आधारभूति को हराना होगा किसी चीज़ के लायक होने के लिए — 95% सटीकता 50/50 विभाजन पर प्रभावशाली है और 95/5 विभाजन पर बेकार है।

जब उच्च सटीकता भ्रामक है। दृढ़ता से असंतुलित डेटा पर, सटीकता बहुसंख्या वर्ग द्वारा प्रभावित होती है। एक धोखाधड़ी जांचक, दुर्लभ-रोग स्क्रीन या दोष जांचक 99% सटीकता की रिपोर्ट कर सकता है जबकि दुर्लभ सकारात्मक मामलों में से लगभग कोई भी पकड़ता है जो वास्तव में महत्वपूर्ण हैं। इन सेटिंग्स में झूठी नकारात्मक और झूठी सकारात्मक की लागत आमतौर पर बहुत भिन्न होती है, और एक एकल समग्र प्रतिशत इसे कैप्चर नहीं कर सकता।

सटीकता को पूरक मेट्रिक्स:

सटीकता — पूर्वानुमानित सकारात्मक मामलों में से, कितने वास्तव में थे: $\text{TP}/(\text{TP}+\text{FP})$। इसका उपयोग करें जब झूठी सकारात्मकता महंगी हो।
याद रखना (संवेदनशीलता) — वास्तविक सकारात्मकों में से, कितने आपने पकड़े: $\text{TP}/(\text{TP}+\text{FN})$। इसका उपयोग करें जब सकारात्मक को याद करना महंगा हो।
विशिष्टता — वास्तविक नकारात्मकों में से, कितने आपने सही ढंग से मंजूरी दी: $\text{TN}/(\text{TN}+\text{FP})$।
F1 स्कोर — सटीकता और याद रखने का हारमोनिक माध्य, एक एकल संख्या सकारात्मक वर्ग पर दोनों को संतुलित करता है।
संतुलित सटीकता — संवेदनशीलता और विशिष्टता का औसत, जो वर्ग असंतुलन के लिए सुधार करता है और जब वर्ग तिरछे हों तो बेहतर शीर्षक आंकड़ा है।

ऊपर दिए गए संतुलित उदाहरण के लिए (TP=45, FP=5, FN=5), याद रखना और सटीकता दोनों $45/50 = 90\%$ हैं, इसलिए सटीकता, सटीकता और याद रखना सहमत हैं — एक संकेत कि डेटासेट अच्छी तरह से संतुलित है। जब वे तेजी से अलग हो जाते हैं, एकल सटीकता संख्या पर प्रति-वर्ग मेट्रिक्स पर विश्वास करें। यह सामान्य तकनीकी जानकारी है, आपकी विशेष समस्या के डोमेन-विशिष्ट मूल्यांकन का विकल्प नहीं।

परिभाषाएं और शब्दकोश

सच्ची सकारात्मक (TP): एक सकारात्मक मामला जिसे मॉडल ने सही ढंग से सकारात्मक के रूप में भविष्यवाणी की (उदाहरण के लिए, एक बीमार रोगी बीमार के रूप में चिह्नित)।
सच्ची नकारात्मक (TN): एक नकारात्मक मामला जिसे मॉडल ने सही ढंग से नकारात्मक के रूप में भविष्यवाणी की (उदाहरण के लिए, एक स्वस्थ रोगी स्वस्थ के रूप में मंजूरी दी)।
झूठी सकारात्मक (FP): एक नकारात्मक मामला गलत तरीके से सकारात्मक के रूप में भविष्यवाणी की गई — एक झूठा अलर्ट। इसे टाइप I त्रुटि भी कहा जाता है।
झूठी नकारात्मक (FN): एक सकारात्मक मामला गलत तरीके से नकारात्मक के रूप में भविष्यवाणी की गई — एक चूक। इसे टाइप II त्रुटि भी कहा जाता है।
भ्रम मैट्रिक्स: एक 2×2 तालिका जो पूर्वानुमानित बनाम वास्तविक वर्गों को क्रॉस-सारणीबद्ध करती है, TP, TN, FP और FN इसके चार कक्षों के रूप में। यह लगभग सभी वर्गीकरण मेट्रिक्स का स्रोत है।
सटीकता: सभी भविष्यवाणियों का अनुपात जो सही हैं: $(\text{TP}+\text{TN})/(\text{TP}+\text{TN}+\text{FP}+\text{FN})$, आमतौर पर प्रतिशत के रूप में व्यक्त किया जाता है।
त्रुटि दर: भविष्यवाणियों का अनुपात जो गलत हैं: $(\text{FP}+\text{FN})/(\text{TP}+\text{TN}+\text{FP}+\text{FN}) = 1 - \text{सटीकता}$।
सटीकता: सकारात्मक पूर्वानुमान मान: $\text{TP}/(\text{TP}+\text{FP})$ — एक सकारात्मक भविष्यवाणी कितनी विश्वसनीय है।
याद रखना: संवेदनशीलता या सच्चे सकारात्मक दर: $\text{TP}/(\text{TP}+\text{FN})$ — कितने वास्तविक सकारात्मक मिले।
विशिष्टता: सच्ची नकारात्मक दर: $\text{TN}/(\text{TN}+\text{FP})$ — कितनी वास्तविक नकारात्मकता सही ढंग से पहचानी गई।
F1 स्कोर: सटीकता और याद रखने का हारमोनिक माध्य: $2 \cdot \frac{\text{सटीकता} \cdot \text{याद रखना}}{\text{सटीकता} + \text{याद रखना}}$, सकारात्मक-वर्ग प्रदर्शन का एक एकल संतुलित उपाय।

अक्सर पूछे जाने वाले सवाल

क्या एक्यूरेसी हमेशा एक अच्छा मेट्रिक है? नहीं। असंतुलित (imbalanced) डेटासेट में — जैसे जब 95% केस नेगेटिव हों — कोई मॉडल हमेशा बहुसंख्यक क्लास की भविष्यवाणी करके भी ऊंची एक्यूरेसी पा सकता है। ऐसे में प्रिसीज़न, रिकॉल और F1 स्कोर भी ज़रूर देखें।

एक्यूरेसी की रेंज क्या होती है? यह 0 (हर भविष्यवाणी गलत) से लेकर 1 (हर भविष्यवाणी सही) तक होती है, या प्रतिशत में 0%–100%।

क्या यह मल्टी-क्लास समस्याओं के लिए भी काम करता है? हां — TP + TN को सभी क्लास में सही वर्गीकृत किए गए कुल नमूनों के रूप में मानें और denominator को कुल नमूनों के रूप में।