বৈশিষ্ট্য নিষ্কাশন এবং বৈশিষ্ট্য নির্বাচন মূলত ডেটার মাত্রিকতা হ্রাস করে, তবে বৈশিষ্ট্য নিষ্কাশনটি যদি আমি সঠিক থাকি তবে ডেটাটিকে আরও বিভাজ্য করে তোলে।
কোন কৌশলটি অন্যের চেয়ে বেশি পছন্দ হবে এবং কখন?
আমি ভাবছিলাম, যেহেতু বৈশিষ্ট্য নির্বাচনটি মূল ডেটা এবং এর বৈশিষ্ট্যগুলিকে সংশোধন করে না, তাই আমি ধরে নিয়েছি যে আপনি যে বৈশিষ্ট্যগুলি প্রশিক্ষণ দিচ্ছেন সেগুলি অপরিবর্তিত হওয়া গুরুত্বপূর্ণ। তবে আপনি কেন এমন কিছু চাইবেন তা আমি ভাবতে পারি না ..
উত্তর:
টরোসের দেওয়া উত্তরে যোগ করা,
এগুলি (বুলেটগুলির নীচে দেখুন) তিনটি বেশ একই রকম তবে একটি সূক্ষ্ম পার্থক্য সহ: --( সংক্ষিপ্ত এবং মনে রাখা সহজ)
বৈশিষ্ট্য নিষ্কাশন এবং বৈশিষ্ট্য ইঞ্জিনিয়ারিং : মডেলিংয়ের জন্য উপযুক্ত বৈশিষ্ট্যগুলিতে কাঁচা ডেটার রূপান্তর;
বৈশিষ্ট্য রূপান্তর : অ্যালগরিদমের যথার্থতা উন্নত করতে তথ্যের রূপান্তর;
বৈশিষ্ট্য নির্বাচন : অপ্রয়োজনীয় বৈশিষ্ট্য অপসারণ।
একই উদাহরণ যোগ করতে,
বৈশিষ্ট্য এক্সট্রাকশন এবং ইঞ্জিনিয়ারিং (আমরা সেগুলি থেকে কিছু বের করতে পারি)
ফিচার ট্রান্সফর্মেশনস (সেগুলি রূপান্তরিত করে বোঝার জন্য)
বৈশিষ্ট্য নির্বাচন (এই নির্বাচিত বৈশিষ্ট্যগুলিতে আপনার মডেল তৈরি করা)
আশাকরি এটা সাহায্য করবে...
অন্যদের দ্বারা ভাগ করা লিঙ্কগুলি দেখুন। তারা বেশ সুন্দর ...
আদিত্য বলেছিলেন, এখানে 3 টি বৈশিষ্ট্য-সম্পর্কিত পদ রয়েছে যা কখনও কখনও একে অপরের সাথে বিভ্রান্ত হয়। আমি চেষ্টা করব এবং তাদের প্রত্যেককে সংক্ষিপ্ত বিবরণ দেব:
যদি আপনি কেবলমাত্র বিদ্যমান ডেটাসেটের মাত্রিকতা হ্রাস করতে চান তবে আপনি বৈশিষ্ট্য রূপান্তর বা বৈশিষ্ট্য নির্বাচন পদ্ধতি ব্যবহার করতে পারেন। তবে যদি আপনাকে "গুরুত্বপূর্ণ" হিসাবে চিহ্নিত করা বৈশিষ্ট্যগুলির শারীরিক ব্যাখ্যা জানতে হয় বা আপনার বিশ্লেষণের জন্য যে পরিমাণ ডেটা সংগ্রহ করতে হবে তা সীমাবদ্ধ করার চেষ্টা করছেন (বৈশিষ্ট্য রূপান্তরের জন্য আপনার সমস্ত বৈশিষ্ট্যের প্রাথমিক সেট প্রয়োজন), তবে কেবল বৈশিষ্ট্য নির্বাচন কাজ করতে পারে।
আপনি নীচের লিঙ্কগুলিতে বৈশিষ্ট্য নির্বাচন এবং মাত্রা হ্রাস সম্পর্কে আরও বিশদ জানতে পারেন :
আমার মনে হয় এগুলি 2 টি আলাদা জিনিস,
বৈশিষ্ট্য নির্বাচন দিয়ে শুরু করা যাক :
এই কৌশলটি বৈশিষ্ট্যগুলি নির্বাচনের জন্য ব্যবহৃত হয় যা লক্ষ্যমাত্রার ভেরিয়েবলের সর্বাধিক ব্যাখ্যা করে (লক্ষ্য ভেরিয়েবলের সাথে একটি সম্পর্ক রয়েছে) theএই পরীক্ষাটি মডেলটি ডেটা প্রয়োগ করার ঠিক আগে চালানো হয়।
এটির আরও ভাল ব্যাখ্যা করার জন্য আসুন একটি উদাহরণ দেওয়া যাক: এখানে 10 টি বৈশিষ্ট্য এবং 1 টার্গেট ভেরিয়েবল রয়েছে, 9 টি বৈশিষ্ট্য 90% টার্গেট ভেরিয়েবল এবং 10 টি বৈশিষ্ট্য একসাথে লক্ষ্য ভেরিয়েবলের 91% ব্যাখ্যা করে। সুতরাং 1 ভেরিয়েবল খুব বেশি পার্থক্য তৈরি করছে না তাই আপনি মডেলিংয়ের আগে এটি সরিয়ে ফেলেন (এটি ব্যবসায়ের ক্ষেত্রেও বিষয়গত)। আমাকে ভবিষ্যদ্বাণীপূর্ণ গুরুত্ব হিসাবেও বলা যেতে পারে।
ফিচার এক্সট্রাকশন সম্পর্কে এখন কথা বলা যাক ,
যা আনসভের্বাইজড লার্নিংয়ে ব্যবহৃত হয়, ছবিগুলিতে কনট্যুর এক্সট্রাকশন, একটি টেক্সট থেকে দ্বি-গ্রাম উত্তোলন, কথ্য পাঠ্য রেকর্ডিং থেকে ফোনমেস নিষ্কাশন। আপনি যখন ডেটা অভিধানের মতো ডেটা সম্পর্কে কিছু জানেন না, তখন অনেকগুলি বৈশিষ্ট্য যার অর্থ ডেটা বোধগম্য বিন্যাসে নয়। তারপরে আপনি এমন কিছু বৈশিষ্ট্য পাওয়ার জন্য এই কৌশলটি প্রয়োগ করার চেষ্টা করছেন যা ডেটা সর্বাধিক ব্যাখ্যা করে। বৈশিষ্ট্য নিষ্কাশন বৈশিষ্ট্যগুলির একটি রূপান্তর জড়িত, যা প্রায়শই বিপরীত হয় না কারণ মাত্রা হ্রাস প্রক্রিয়ায় কিছু তথ্য হারিয়ে যায়।
বৈশিষ্ট্যগুলি নিষ্কাশন করতে আপনি প্রদত্ত ডেটাতে ফিচার এক্সট্রাকশন প্রয়োগ করতে পারেন এবং তারপরে সাবসেটটি নির্বাচন করার জন্য টার্গেট ভেরিয়েবলের সাথে সম্মান সহ ফিচার নির্বাচন প্রয়োগ করতে পারেন যা ভাল ফলাফলের সাথে একটি ভাল মডেল তৈরি করতে সহায়তা করতে পারে।
আরও ভাল বোঝার জন্য আপনি এই লিঙ্ক -১ , লিংক -২ দিয়ে যেতে পারেন।
আমরা সেগুলি আর, পাইথন, এসপিএসে প্রয়োগ করতে পারি।
আরও কিছু স্পষ্টতা প্রয়োজন হলে আমাকে জানান।
দুটি খুব আলাদা: বৈশিষ্ট্য নির্বাচন প্রকৃতপক্ষে মাত্রা হ্রাস, কিন্তু বৈশিষ্ট্য নিষ্কাশন মাত্রা যোগ করে যা অন্যান্য বৈশিষ্ট্য থেকে গণনা করা হয়।
প্যানেল বা সময় সিরিজের ডেটাগুলির জন্য, একজনের সাধারণত ডেটটাইম ভেরিয়েবল থাকে এবং ভবিষ্যতে যে ঘটনা ঘটে না সেহেতু একজনই তারিখের উপর নির্ভরশীল পরিবর্তনশীলকে প্রশিক্ষণ দিতে চান না। সুতরাং আপনার তারিখের সময়টি দূর করতে হবে: বৈশিষ্ট্য অপসারণ।
অন্যদিকে, সপ্তাহের দিন / উইকএন্ডের দিনটি খুব প্রাসঙ্গিক হতে পারে, তাই আমাদের তারিখের সময় থেকে বৈশিষ্ট্য নিষ্কাশন থেকে সপ্তাহের দিনের অবস্থা গণনা করা দরকার।
একটি মেশিন লার্নিং প্রকল্পের সাফল্যের একটি গুরুত্বপূর্ণ অংশ প্রশিক্ষণ দেওয়ার জন্য একটি দুর্দান্ত বৈশিষ্ট্য নিয়ে হাজির হচ্ছে। ফিচার ইঞ্জিনিয়ারিং নামে পরিচিত এই প্রক্রিয়াটিতে জড়িত:
Ature বৈশিষ্ট্য নির্বাচন: বিদ্যমান বৈশিষ্ট্যগুলির মধ্যে প্রশিক্ষণের জন্য সবচেয়ে দরকারী বৈশিষ্ট্য নির্বাচন করা select
Ature বৈশিষ্ট্য নিষ্কাশন: আরও কার্যকর একটি উত্পাদন করতে বিদ্যমান বৈশিষ্ট্যগুলির সংমিশ্রণ (যেমন আমরা আগে দেখেছি, মাত্রা হ্রাস অ্যালগরিদমগুলি সহায়তা করতে পারে)।
New নতুন ডেটা সংগ্রহ করে নতুন বৈশিষ্ট্য তৈরি করা
উদ্ধৃতি: "সাইকিট-লার্ন, কেরাস এবং টেনস্রোফ্লো - অরেলিন জেরন সহ মেশিন লার্নিংয়ের একটি হাত"