উদাহরণসহ মডেল ইভ্যালুয়েশন

মডেল ইভ্যালুয়েশন একটি গুরুত্বপূর্ণ পদক্ষেপ যা মডেলের কার্যকারিতা এবং নির্ভুলতা নির্ধারণ করতে সহায়ক। এটি আমাদের মডেলের সফলতা এবং উন্নতির সুযোগগুলি বুঝতে সাহায্য করে। এখানে একটি উদাহরণের মাধ্যমে মডেল ইভ্যালুয়েশন প্রক্রিয়া দেখানো হলো।

প্রজেক্টের উদ্দেশ্য: বাড়ির মূল্য পূর্বাভাস মডেল ইভ্যালুয়েশন

আমরা একটি রিগ্রেশন মডেল তৈরি করেছি যা বাড়ির মূল্য পূর্বাভাস করার জন্য ব্যবহৃত হবে। এই উদাহরণে, আমরা মডেলটির কার্যকারিতা মূল্যায়নের জন্য বিভিন্ন মেট্রিক ব্যবহার করবো।

ধাপ ১: লাইব্রেরি লোড করা

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

ধাপ ২: ডেটাসেট লোড করা

# ডেটাসেট লোড করা
data = pd.read_csv('housing_data.csv')

# ফিচার এবং টার্গেট সেট করা
X = data[['Bedrooms', 'Bathrooms', 'Square_Feet', 'Yard_Size']]
y = data['Price']

ধাপ ৩: ডেটা বিভাজন

Training এবং Testing Dataset তৈরি করুন।

# ডেটা বিভাজন
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

ধাপ ৪: মডেল প্রশিক্ষণ

# রিগ্রেশন মডেল তৈরি
model = LinearRegression()

# মডেল প্রশিক্ষণ
model.fit(X_train, y_train)

ধাপ ৫: পূর্বাভাস করা

# Testing সেটের উপর পূর্বাভাস
y_pred = model.predict(X_test)

ধাপ ৬: মডেল মূল্যায়ন

এখন আমরা বিভিন্ন মেট্রিক ব্যবহার করে মডেলটি মূল্যায়ন করবো।

# Mean Squared Error
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')

# R-squared (R²)
r2 = r2_score(y_test, y_pred)
print(f'R-squared: {r2}')

মূল্যায়ন মেট্রিক্স বিশ্লেষণ

Mean Squared Error (MSE):

• MSE হল পূর্বাভাসের এবং প্রকৃত মানের মধ্যে গড় স্কোয়ারের পার্থক্য। MSE কম হলে মডেলটি ভাল পারফর্ম করছে বোঝায়।

R-squared (R²):

• R² মেট্রিকটি বোঝায় যে মডেলটি ডেটার ভ্যারিয়েশন কতটুকু ব্যাখ্যা করতে পারছে। R² এর মান 0 থেকে 1 এর মধ্যে থাকে, যেখানে 1 বোঝায় যে মডেলটি ডেটাকে সম্পূর্ণভাবে ব্যাখ্যা করছে।

সারসংক্ষেপ

এই উদাহরণে, আমরা একটি বাড়ির মূল্য পূর্বাভাস মডেল তৈরি করেছি এবং তা ইভ্যালুয়েট করার জন্য Mean Squared Error এবং R-squared মেট্রিক ব্যবহার করেছি। মডেল ইভ্যালুয়েশন আমাদের মডেলের কার্যকারিতা বুঝতে সাহায্য করে এবং প্রয়োজনীয় উন্নতির সুযোগগুলি চিহ্নিত করতে সহায়তা করে। আপনার প্রোজেক্টের প্রয়োজন অনুসারে অন্যান্য মেট্রিক যেমন MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) এবং অন্যান্য গ্রেডিয়েন্ট মেট্রিকস ব্যবহার করা যেতে পারে।