মেশিন লার্নিং গ্রহণ শুধু নির্ভুলতায় থেমে থাকে না; সেখান থেকেই শুরু হয়। মডেল তৈরির দলগুলো দ্রুতই নির্ভুলতা, রিকল, প্রিসিশন, R2 এবং AUPRC/AUROC-এর মতো সামগ্রিক মেট্রিক থেকে সরে গিয়ে জানতে চায় প্রতিটি পৃথক পূর্বাভাসে তারা কতটা আস্থাশীল হতে পারে। স্টেকহোল্ডারদের কাছে বাস্তব কর্মক্ষমতা প্রমাণ করতে সামগ্রিক স্কোর প্রায়ই যথেষ্ট হয় না, তা যতই যত্নসহকারে ব্যাখ্যা করা হোক না কেন। কনফর্মাল প্রেডিকশন (CP) সামনের পথ দেখায়। প্রতিটি পূর্বাভাসের পাশে CP একটি ব্যবধান তৈরি করে যা অনিশ্চয়তা পরিমাপ করে, এবং এভাবে প্রযুক্তিগত কর্মক্ষমতা পরিমাপ ও স্টেকহোল্ডারদের আস্থার মধ্যকার ফাঁক পূরণ করে।
CP-র মূল্য নির্ভরযোগ্যতায়। একজন গ্রাহকের কেনার ৭৭% সম্ভাবনা শক্তিশালী শোনালেও, প্রকৃত পরিসর যদি ৫০% থেকে ৯৭% হয়, তবে সেই পূর্বাভাস ৭০% থেকে ৮৫%-এর মধ্যে সীমাবদ্ধ পূর্বাভাসের তুলনায় অনেক কম নির্ভরযোগ্য। CP যেকোনো পূর্বাভাস মডেল, তা রিগ্রেশন, বুস্টিং, ব্যাগিং বা নিউরাল নেটওয়ার্ক যাই হোক, একটি পরিসংখ্যানিক প্রক্রিয়ায় মুড়ে দেয়, এবং এর জন্য বিশেষায়িত মেশিন লার্নিং প্যাকেজের প্রয়োজন হয় না।
বুটস্ট্র্যাপিং ও ড্রপআউটের মতো বিকল্পগুলোর তুলনায় CP ভালো তুলনা টিকে। এর জন্য কোনো বিশেষ মডেল স্পেসিফিকেশনের প্রয়োজন নেই এবং এটি ব্ল্যাক-বক্স মডেলেও ভালো কাজ করে। বারবার রিস্যাম্পলিংয়ের তুলনায় এটি কম্পিউটেশনালি সাশ্রয়ী। এর মূল বৈশিষ্ট্য এক্সচেঞ্জেবিলিটি, যা ক্যালিব্রেশন ও টেস্ট বিন্দুকে একই বণ্টন থেকে আঁকা হিসেবে ধরতে দেয়। গড়ে যদি ক্যালিব্রেশন বিন্দুর α অনুপাত ব্যবধানের বাইরে পড়ে, তবে গড়ে টেস্ট বিন্দুর জন্যও একই কভারেজ স্তর বজায় থাকে।
নিবন্ধটি UCI মেশিন লার্নিং রিপোজিটরির সর্বজনীন Online Shoppers Purchasing Intention ডেটাসেটে অ্যালগরিদমটি প্রদর্শন করে, যা গ্রাহক ক্রয় পূর্বাভাসের একটি লাইসেন্সপ্রাপ্ত সাধারণ সম্পদ। CP-র প্রয়োজন অনুযায়ী ডেটা লোড করে তিনটি উপসেটে ভাগ করার মাধ্যমে ওয়াকথ্রু শুরু হয়।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing