Precision, Recall আর F1 score সহজ ভাষায়
Precision, recall ও F1 score কী, confusion matrix থেকে কীভাবে হিসাব করবেন, আর আপনার সমস্যায় কোনটি বেশি জরুরি তা কীভাবে বুঝবেন।
ছোট উত্তর: যে model "হ্যাঁ" বা "না" বলে, তার সঠিকতার দুটি আলাদা দিক মাপে precision আর recall। Precision প্রশ্ন করে: model যতগুলোকে positive বলেছে, তার কতগুলো সত্যিই positive ছিল? Recall প্রশ্ন করে: সত্যিকারের positive-গুলোর কতগুলো model খুঁজে পেয়েছে? F1 score এ দুটিকে মিলিয়ে একটি সংখ্যায় দেয়।
Accuracy কেন যথেষ্ট নয়?
একটি spam filter ভাবুন। ১০০টি email-এর মধ্যে মাত্র ১টি spam হলে যে "model" সবসময় "spam নয়" বলে, সেটি ৯৯% accurate, অথচ একেবারে অকেজো। Class-গুলোর সংখ্যা অসমান বলে accuracy এটা লুকিয়ে রাখে। Precision আর recall দেখে আপনি আসলে যেটা নিয়ে ভাবছেন সেই class-টিকে।
Confusion matrix কী?
সবকিছু শুরু হয় চারটি সংখ্যা থেকে, যেখানে model কী বলেছে আর সত্যি কী ছিল তা মেলানো হয়:
Model বলেছে positive | Model বলেছে negative | |
|---|---|---|
সত্যিই positive | True positive (TP) | False negative (FN), ধরতে না পারা |
সত্যিই negative | False positive (FP), ভুল সতর্কতা | True negative (TN) |
Precision আর recall কীভাবে হিসাব করবেন?
Precision = TP / (TP + FP)। একটি "positive" লেবেল কতটা ভরসাযোগ্য।
Recall = TP / (TP + FN)। সত্যিকারের positive-এর কতগুলো ধরা পড়ল।
F1 = 2 × precision × recall / (precision + recall)। এটি harmonic mean, তাই দুটি সংখ্যাই মোটামুটি ভালো না হলে এটি কম থাকে।
একটি উদাহরণ: একটি model ১০টি email পরীক্ষা করে। চারটি সত্যিই spam। model পাঁচটিকে spam বলে, তার তিনটি ঠিক। তাহলে TP = ৩, FP = ২, FN = ১।
Precision = ৩ / (৩ + ২) = ০.৬০
Recall = ৩ / (৩ + ১) = ০.৭৫
F1 = ২ × ০.৬০ × ০.৭৫ / (০.৬০ + ০.৭৫) ≈ ০.৬৭
কয়েক লাইনের Python দিয়ে মিলিয়ে দেখতে পারেন:
actual = [1, 1, 1, 1, 0, 0, 0, 0, 0, 0] # 1 = spam
predicted = [1, 1, 1, 0, 1, 1, 0, 0, 0, 0]
tp = sum(1 for a, p in zip(actual, predicted) if a == 1 and p == 1)
fp = sum(1 for a, p in zip(actual, predicted) if a == 0 and p == 1)
fn = sum(1 for a, p in zip(actual, predicted) if a == 1 and p == 0)
precision = tp / (tp + fp)
recall = tp / (tp + fn)
f1 = 2 * precision * recall / (precision + recall)
print(tp, fp, fn) # 3 2 1
print(round(precision, 2), round(recall, 2), round(f1, 2)) # 0.6 0.75 0.67
বাস্তব প্রজেক্টে scikit-learn-এর মতো library-তে এগুলোর তৈরি function আছে, তবে একবার হাতে লিখলে ধারণাটা মনে গেঁথে যায়।
কোনটা বেশি জরুরি: precision নাকি recall?
এটা নির্ভর করে কোন ভুলের মূল্য বেশি তার উপর।
পরিস্থিতি | বেশি খারাপ ভুল | যেটাকে প্রাধান্য দেবেন |
|---|---|---|
গুরুতর রোগের screening | অসুস্থ মানুষকে ধরতে না পারা (FN) | Recall |
Email spam চিহ্নিত করা | আসল email লুকিয়ে ফেলা (FP) | Precision |
কর্মীরা যাচাই করে এমন fraud alert | প্রতারণা ধরতে না পারা (FN) | Recall |
স্বয়ংক্রিয়ভাবে account ban করা | নির্দোষ ব্যবহারকারীকে শাস্তি দেওয়া (FP) | Precision |
সাধারণত একটি বাড়াতে গেলে অন্যটি কমে। সবকিছুকে positive বলা model-এর recall নিখুঁত কিন্তু precision খারাপ; শুধু সবচেয়ে নিশ্চিত ক্ষেত্রটিকে positive বলা model-এর precision বেশি কিন্তু recall কম। Decision threshold বদলালে আপনি এই লেনদেনের পথ ধরে সরে যান।
F1 কখন কাজে লাগে?
দুটোর ভারসাম্য একটি সংখ্যায় চাইলে এবং class-গুলো অসমান হলে F1 ব্যবহার করুন। কোনো এক ধরনের ভুল স্পষ্টতই বেশি গুরুত্বপূর্ণ হলে precision ও recall আলাদা করে জানান, F1-এর ভেতরে লুকাবেন না। একই ধারণা AI ও LLM system মাপতেও ব্যবহার হয়, যেমন একটি search ধাপ কতগুলো প্রাসঙ্গিক document খুঁজে আনল।
কমন ভুল
অসমান ডেটায় শুধু accuracy জানানো।
সূত্র গুলিয়ে ফেলা। মনে রাখুন: precision-এর হর হলো model যতগুলোকে positive বলেছে, আর recall-এর হর হলো যতগুলো সত্যিই positive।
Training data-তেই মান যাচাই করা। model যে ডেটা দেখেনি তাতে মাপুন।
মূল্য ভুলে যাওয়া। সবচেয়ে ভালো ভারসাম্য সেটাই, যা প্রতিটি ভুলের বাস্তব মূল্যের সাথে মানায়।
আরও অনুশীলনের জন্য দেখুন Precision, Recall, F1 ও Confusion Matrix tutorial এবং machine learning-এর প্রকারভেদ নিয়ে আগের পোস্ট।
মূল কথা
Precision হলো "যেগুলোকে চিহ্নিত করেছি তার কতগুলো ঠিক"; recall হলো "সত্যিকারের কতগুলো খুঁজে পেয়েছি"; F1 দুটোর ভারসাম্য। যে ভুল আপনি সবচেয়ে কম সইতে পারেন, সেটির সাথে মানানসই metric বেছে নিন।
শুরু করতে চান? Model metric, probability আর statistics-এর গণিত সহজ ধাপে শিখুন, Python উদাহরণসহ। শুরু করুন ফ্রি কোর্স AI-এর জন্য গণিত ও পরিসংখ্যান: মূল বিষয় দিয়ে।
সম্পর্কিত লেখা
মেশিন লার্নিং বিভাগের আরও লেখা
Training, Validation ও Test data: কেন তিন ভাগ?
Machine learning-এর ডেটা কেন training, validation ও test এই তিন ভাগে ভাগ হয়, প্রতিটির কাজ, কীভাবে ভাগ করবেন এবং data leakage কীভাবে এড়াবেন।
3 মিনিট পড়া১৩ নভে, ২০২৬Classification আর Regression: পার্থক্য কী?
Classification ক্যাটাগরি অনুমান করে আর regression সংখ্যা। পার্থক্য, উদাহরণ, metric এবং দুটোর একটি ছোট Python demo দেখুন।
3 মিনিট পড়া১০ নভে, ২০২৬Overfitting আর Underfitting কী? সহজ উদাহরণে
Overfitting ও underfitting কী, training ও test error দেখে কীভাবে চিনবেন এবং কীভাবে ঠিক করবেন, ছোট চালানো যায় এমন উদাহরণসহ।
3 মিনিট পড়া৮ নভে, ২০২৬Deep learning-এর ১০টি বাস্তব ব্যবহার
Deep learning চালায় speech recognition, অনুবাদ, recommendation, chatbot ও আরও অনেক কিছু। ১০টি ব্যবহার এবং প্রতিটির পেছনের model জানুন।
3 মিনিট পড়া৫ নভে, ২০২৬মেশিন লার্নিং-এর জন্য কতটুকু গণিত লাগে?
লক্ষ্য অনুযায়ী সৎ উত্তর: machine learning-এর জন্য linear algebra, probability, statistics ও calculus কতটুকু লাগে, শুরুতে কী বাদ দেবেন, আর coding-এর পাশাপাশি কীভাবে শিখবেন।
4 মিনিট পড়া৩ নভে, ২০২৬নিউরাল নেটওয়ার্ক কী ও কীভাবে কাজ করে? সহজ ভাষায়
Neuron, weight, bias, layer এবং network কীভাবে নিজের ভুল থেকে শেখে, সহজ ভাষায়, হাতের লেখা সংখ্যার উদাহরণসহ, কঠিন অঙ্ক ছাড়া।
4 মিনিট পড়া৩০ অক্টো, ২০২৬
মন্তব্য
আলোচনায় যোগ দিতে সাইন ইন করুন।

