प्रोजेक्ट
अलग लंबाई और अनजान लेबल अस्वीकार करें तथा कभी न दिखने वाली श्रेणियों की गिनती शून्य रखें।
AI के साथ कोड का कार्यक्षेत्र
वर्गीकरण के भ्रम मैट्रिक्स
अपेक्षित और अनुमानित लेबल से भ्रम मैट्रिक्स बनाएँ।
● ● ●MatrixTern●
कार्यप्रवाह · वर्गीकरण के भ्रम मैट्रिक्स ×
def confusion(expected, predicted, labels):
if len(expected) != len(predicted) or len(set(labels)) != len(labels):
raise ValueError("labels or lengths")
index = {label: i for i, label in enumerate(labels)}
matrix = [[0] * len(labels) for _ in labels]
for actual, guess in zip(expected, predicted):
if actual not in index or guess not in index:
raise ValueError("unknown label")
matrix[index[actual]][index[guess]] += 1
return matrix✳अपेक्षित और अनुमानित लेबल से भ्रम मैट्रिक्स बनाएँ।
✓ बदलावलागू करने से पहले समीक्षा करें ↗
कार्यक्षेत्र का चित्रण
लागू करने से पहले समीक्षा करें
वास्तविक व्यवहार की अपेक्षित परिणाम से तुलना करें। जाँच असफल हो तो अगले बदलाव से पहले कारण समझें।
मॉडल
बेस URL और आवश्यक होने पर API कुंजी से OpenAI-संगत या Anthropic endpoint सेट करें। कनेक्शन जाँचें। स्थानीय मॉडल सर्वर चालू होना चाहिए; दूरस्थ उपकरण अलग से डेटा भेज सकते हैं।
कार्यप्रवाह
def confusion(expected, predicted, labels):
if len(expected) != len(predicted) or len(set(labels)) != len(labels):
raise ValueError("labels or lengths")
index = {label: i for i, label in enumerate(labels)}
matrix = [[0] * len(labels) for _ in labels]
for actual, guess in zip(expected, predicted):
if actual not in index or guess not in index:
raise ValueError("unknown label")
matrix[index[actual]][index[guess]] += 1
return matrixमूल्यांकन कोड को परिणाम जितना समीक्षा योग्य बनाएँ
MatrixTern विकासकर्ताओं को मूल्यांकन परिणाम के पीछे का कोड जाँचने का Windows एआई कार्यक्षेत्र देता है। प्रोजेक्ट फ़ोल्डर खोलें और बदलाव माँगने से पहले बताएँ कि रिपोर्ट क्या मापे। संवाद तब छपी संख्या को पर्याप्त प्रमाण मानने के बजाय गणना, इनपुट और परिणाम दिखाने वाले कोड को जोड़ सकता है।
वर्गीकरण रिपोर्ट में मॉडल से देखें कि अपेक्षित और अनुमानित लेबल कन्फ़्यूज़न मैट्रिक्स कैसे बनते हैं। घोषित लेबल क्रम और छोटा नमूना दें जिसकी गिनती आप स्वयं जाँच सकें। इससे रिपोर्ट पहले स्वतंत्र रूप से सत्यापित मानने के बिना कार्यान्वयन पर ठोस चर्चा होती है।
सुझाए संपादन से व्याख्या प्रभावित करने वाली मान्यताएँ स्पष्ट करें: अज्ञात लेबल अस्वीकार होते हैं या नहीं, खाली वर्ग कैसे दिखते और इनपुट लंबाइयाँ समान होनी चाहिए या नहीं। प्रभावित फ़ाइलें देखें और मूल्यांकन परीक्षण चलाएँ। कुल योग जाँचने के साथ प्रदर्शित लेबल मूल मैट्रिक्स से मिलाएँ।
MatrixTern में कॉन्फ़िगर OpenAI-संगत या Anthropic एंडपॉइंट से प्रतिबंध-हटाया एआई मॉडल उपलब्ध हो सकता है। आवश्यक प्रमाणीकरण विवरण जोड़ें और कनेक्शन जाँचें। चुना मॉडल और सर्वर प्रतिबंध, संदर्भ व उपकरण नियंत्रित करते हैं; उनका आउटपुट प्रोजेक्ट प्रमाण के साथ मूल्यांकन योग्य रहता है।
रिपोर्ट के पीछे सॉफ़्टवेयर की जाँच
वर्गीकरण रिपोर्ट के लिए उपयोगी पहला नमूना क्या है?
ज्ञात सही अनुमान और ज्ञात गलत वर्गीकरण वाला छोटा क्रम लें, लेबल क्रम स्पष्ट रखें। अपेक्षित गिनती स्वतंत्र रूप से निकालें। इससे बदले अक्ष या असंगत लेबल अनुक्रमण समीक्षा में आसानी से पकड़ते हैं।
क्या नमूने में अनुपस्थित लेबल आउटपुट से हट जाएँ?
तय करें कि रिपोर्ट स्थिर लेबल समूह लेती है या हर नमूने से बनाती है। आवश्यकता मॉडल को दें और प्रस्तुति कोड भी देखें। गायब वर्ग रिपोर्टों की तुलना कठिन बना सकता है।
क्या MatrixTern जुड़े मॉडलों की रैंकिंग करता है?
यहाँ बताया कार्यप्रवाह आपके मूल्यांकन सॉफ़्टवेयर की समीक्षा है। मॉडल प्रतिक्रिया मापा बेंचमार्क परिणाम नहीं। किसी प्रणाली पर निष्कर्ष से पहले आप प्रयोग तय, जाँच चलाते और परिणामी प्रमाण देखते हैं।
संवेदनशील मूल्यांकन नमूने कैसे सँभालूँ?
प्रतिनिधि संवेदनशीलता-रहित नमूने लें और डेटा साझा करने से पहले मॉडल एंडपॉइंट व जुड़े उपकरण देखें। अलग चलता स्थानीय मॉडल सर्वर भी हर उपकरण स्थानीय नहीं बनाता, इसलिए पूरा डेटा पथ जाँचें।
MatrixTern · अपडेट किया गया 2026-10-25
