টেনসরফ্লো মডেল বিশ্লেষণের মাধ্যমে মডেলের গুণমান উন্নত করা
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
ভূমিকা
আপনি বিকাশের সময় আপনার মডেলকে পরিবর্তন করার সাথে সাথে আপনার পরিবর্তনগুলি আপনার মডেলের উন্নতি করছে কিনা তা পরীক্ষা করতে হবে। শুধু সঠিকতা পরীক্ষা করা যথেষ্ট নাও হতে পারে। উদাহরণ স্বরূপ, আপনার যদি এমন কোনো সমস্যার জন্য ক্লাসিফায়ার থাকে যেখানে আপনার 95% ইন্সট্যান্স ইতিবাচক, তাহলে আপনি সবসময় ইতিবাচক ভবিষ্যদ্বাণী করে নির্ভুলতা উন্নত করতে সক্ষম হতে পারেন, কিন্তু আপনার কাছে খুব শক্তিশালী ক্লাসিফায়ার থাকবে না।
ওভারভিউ
TensorFlow মডেল বিশ্লেষণের লক্ষ্য হল TFX-এ মডেল মূল্যায়নের জন্য একটি প্রক্রিয়া প্রদান করা। TensorFlow মডেল বিশ্লেষণ আপনাকে TFX পাইপলাইনে মডেল মূল্যায়ন করতে এবং জুপিটার নোটবুকে ফলাফল মেট্রিক্স এবং প্লট দেখতে দেয়। বিশেষত, এটি প্রদান করতে পারে:
- মেট্রিক্স সমগ্র প্রশিক্ষণ এবং হোল্ডআউট ডেটাসেটের পাশাপাশি পরের দিনের মূল্যায়নে গণনা করা হয়
- সময়ের সাথে মেট্রিক্স ট্র্যাক করা
- বিভিন্ন বৈশিষ্ট্য স্লাইস উপর মডেল গুণমান কর্মক্ষমতা
- যে মডেলের সামঞ্জস্যপূর্ণ কর্মক্ষমতা বজায় রাখা নিশ্চিত করার জন্য মডেলের বৈধতা
পরবর্তী পদক্ষেপ
আমাদের TFMA টিউটোরিয়াল চেষ্টা করুন।
সমর্থিত মেট্রিক্স এবং প্লট এবং সংশ্লিষ্ট নোটবুক ভিজ্যুয়ালাইজেশনের বিশদ বিবরণের জন্য আমাদের গিথুব পৃষ্ঠাটি দেখুন।
একটি স্বতন্ত্র পাইপলাইনে কীভাবে সেট আপ করা যায় সে সম্পর্কে তথ্য এবং উদাহরণগুলির জন্য ইনস্টলেশন এবং শুরু করার নির্দেশিকা দেখুন। মনে রাখবেন যে TFMA টিএফএক্স-এর মূল্যায়নকারী উপাদানের মধ্যেও ব্যবহৃত হয়, তাই এই সংস্থানগুলিও TFX-এ শুরু করার জন্য দরকারী হবে।
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।"],[],[],null,["# Improving Model Quality With TensorFlow Model Analysis\n\n\u003cbr /\u003e\n\nIntroduction\n------------\n\nAs you tweak your model during development, you need to check whether your\nchanges are improving your model. Just checking accuracy may not be enough. For\nexample, if you have a classifier for a problem in which 95% of your instances\nare positive, you may be able to improve accuracy by simply always predicting\npositive, but you won't have a very robust classifier.\n\nOverview\n--------\n\nThe goal of TensorFlow Model Analysis is to provide a mechanism for model\nevaluation in TFX. TensorFlow Model Analysis allows you to perform model\nevaluations in the TFX pipeline, and view resultant metrics and plots in a\nJupyter notebook. Specifically, it can provide:\n\n- [Metrics](../model_analysis/metrics) computed on entire training and holdout dataset, as well as next-day evaluations\n- Tracking metrics over time\n- Model quality performance on different feature slices\n- [Model validation](../model_analysis/model_validations) for ensuring that model's maintain consistent performance\n\nNext Steps\n----------\n\nTry our [TFMA tutorial](../tutorials/model_analysis/tfma_basic).\n\nCheck out our [github](https://github.com/tensorflow/model-analysis) page for\ndetails on the supported\n[metrics and plots](../model_analysis/metrics) and associated notebook\n[visualizations](../model_analysis/visualizations).\n\nSee the [installation](../model_analysis/install) and\n[getting started](../model_analysis/get_started) guides for information and\nexamples on how to get [set up](../model_analysis/setup) in a standalone\npipeline. Recall that TFMA is also used within the [Evaluator](/tfx/guide/evaluator)\ncomponent in TFX, so these resources will be useful for getting started in TFX\nas well."]]
