बिना कोड AI क्या है?
बिना कोड AI (नो-कोड AI) का मतलब है कोड टाइप करने के बजाय दृश्य टूल से AI मॉडल बनाना। आप खींचते, छोड़ते और ब्लॉक जोड़ते हैं; प्रोग्रामिंग टूल ख़ुद करता है।
- फ़ायदे: विचार जल्दी आज़माएँ, शुरुआती के लिए आसान, हर चरण दिखता है।
- सीमाएँ: कोड से कम विकल्प, बड़ा डेटा धीमा, और डेटा व नतीजे समझना फिर भी ज़रूरी।
उदाहरण: Orange (विजेट वाला मुफ़्त डेटा-माइनिंग टूल), वेबकैम से चित्र या आवाज़ पहचानना सिखाने वाले ब्राउज़र टूल, और अनुमान लगाने वाले स्प्रेडशीट ऐड-ऑन।
Orange की बुनियाद: कैनवास, विजेट और लिंक
Orange में एक कैनवास (काम की जगह) और विजेट पैनल होता है। विजेट एक काम करने वाला ब्लॉक है। विजेट लिंक से जुड़ते हैं; डेटा एक के आउटपुट से अगले के इनपुट में जाता है। विजेट की कड़ी वर्कफ़्लो कहलाती है।
| समूह | उपयोगी विजेट |
|---|---|
| डेटा | File, Data Table, Select Columns, Data Sampler |
| चित्र | Scatter Plot, Distributions, Box Plot |
| मॉडल | kNN, Tree, Logistic Regression, Naive Bayes, Random Forest, Linear Regression |
| मूल्यांकन | Test and Score, Confusion Matrix, Predictions |
| बिना लेबल | k-Means, Hierarchical Clustering |
चरण-दर-चरण वर्गीकरण मॉडल बनाना
- File: डेटासेट लोड करें (जैसे फूल या छात्रों के अंक)। उत्तर वाले कॉलम को टारगेट बनाएँ; बाक़ी फ़ीचर हैं।
- Data Table: पंक्तियाँ, कॉलम और ख़ाली मान जाँचें।
- Scatter Plot: टारगेट के रंग से बिंदु रंगें और देखें वर्ग अलग हैं या नहीं।
- मॉडल विजेट: File से जुड़े kNN और Tree जोड़ें।
- Test and Score: डेटा और मॉडल जोड़ें। क्रॉस-वैलिडेशन (जैसे 10 फ़ोल्ड) या रैंडम सैंपलिंग (जैसे 80% प्रशिक्षण) चुनें। CA (वर्गीकरण सटीकता), precision, recall और F1 पढ़ें।
- Confusion Matrix: Test and Score से जोड़कर हर वर्ग की ग़लतियाँ देखें।
- Predictions: मॉडल और नई डेटा फ़ाइल जोड़कर नई पंक्तियों को लेबल दें।
kNN कैसे तय करता है
k-निकटतम पड़ोसी नए उदाहरण के सबसे पास के k उदाहरण ढूँढता है और सबसे आम वर्ग चुनता है। छोटा k डेटा के बहुत पास चलता है; बड़ा k फ़ैसलों को चिकना करता है।
नतीजे पढ़ना
सटीकता (CA) = सही ÷ कुल। Precision = मॉडल ने जिन्हें "हाँ" कहा, उनमें कितने सच में "हाँ" थे। Recall = असली "हाँ" में से मॉडल ने कितने पकड़े। F1 दोनों का संतुलन है।
कन्फ़्यूज़न मैट्रिक्स में पंक्तियाँ असली वर्ग और कॉलम अनुमानित वर्ग हैं। विकर्ण की संख्याएँ सही हैं। बाक़ी संख्याएँ बताती हैं कौन-से वर्ग उलझते हैं।
Test and Score में मॉडलों की तुलना करके अपनी समस्या के लिए सबसे अच्छा चुनें। पक्षपात भी जाँचें: क्या डेटा उन सब लोगों को ठीक से दर्शाता है जिन पर मॉडल लगेगा?
करके देखें: 3D में और घर पर
खुले खेल में नए फूल को प्रकार B और C के ठीक बीच रखें। k को 1 से 15 तक बदलें। क्या उत्तर बदलता है? k आमतौर पर विषम संख्या क्यों रखते हैं?
घर या लैब में: 20 फलों की तालिका बनाएँ: वज़न (g), लंबाई (cm) और प्रकार। इसे Orange (या मुफ़्त ब्राउज़र क्लासिफ़ायर) में लोड करें, स्कैटर प्लॉट बनाएँ, kNN और Tree सिखाएँ और Test and Score में सटीकता की तुलना करें।
मुख्य सूत्र और परिभाषाएँ
- सटीकता (CA) = सही अनुमान ÷ कुल अनुमान
- Precision = सही धनात्मक ÷ (सही धनात्मक + ग़लत धनात्मक)
- Recall = सही धनात्मक ÷ (सही धनात्मक + ग़लत ऋणात्मक)
- F1 = 2 × precision × recall ÷ (precision + recall)
- वर्कफ़्लो: File → Data Table / Scatter Plot → मॉडल → Test and Score → Confusion Matrix → Predictions
हल किए गए उदाहरण
1. देखना है कि तीन तरह के फूल अलग समूह बनाते हैं या नहीं। कौन-सा विजेट मदद करेगा?
Scatter Plot, बिंदुओं को टारगेट (फूल का प्रकार) से रंगकर।
2. Test and Score में kNN का CA = 0.94 और Tree का 0.90 है। इस डेटा पर कौन बेहतर और कितना?
kNN, सटीकता में 0.04 (4 प्रतिशत अंक) से।
3. स्पैम के कन्फ़्यूज़न मैट्रिक्स में: असली स्पैम→स्पैम 40, असली स्पैम→नहीं 10, असली नहीं→स्पैम 5, असली नहीं→नहीं 45। "स्पैम" के लिए सटीकता, precision और recall निकालें।
सटीकता = 85 ÷ 100 = 85%। Precision = 40 ÷ 45 ≈ 0.89। Recall = 40 ÷ 50 = 0.80।
4. k = 3 वाले kNN में नए फल के सबसे पास पड़ोसी सेब, संतरा, सेब हैं। अनुमान?
सेब (3 में से 2 वोट)।
आम गलतियाँ
- File विजेट में टारगेट कॉलम तय करना भूलना, जिससे मॉडल के पास सीखने को कुछ नहीं रहता।
- मॉडल को सिर्फ़ प्रशिक्षण डेटा पर आँकना। Test and Score में क्रॉस-वैलिडेशन या अलग परीक्षण भाग लें।
- सोचना कि "बिना कोड" यानी "बिना सोचे"। साफ़ समस्या, साफ़ डेटा और नतीजों को ध्यान से पढ़ना ज़रूरी है।
- असंतुलित वर्गों में सिर्फ़ सटीकता देखना। कन्फ़्यूज़न मैट्रिक्स, precision और recall भी देखें।