এসভিএম-এ নিয়মিতকরণ প্যারামিটারের অন্তর্দৃষ্টি
উত্তর:
নিয়মিতকরণ প্যারামিটার (ল্যাম্বদা) একটি ডিগ্রি গুরুত্ব হিসাবে কাজ করে যা মিস-শ্রেণিবদ্ধকরণকে দেওয়া হয়। এসভিএম একটি চতুষ্কোণ অপ্টিমাইজেশান সমস্যা সৃষ্টি করে যা উভয় শ্রেণির মধ্যে মার্জিন সর্বাধিককরণ এবং মিস-শ্রেণিবদ্ধকরণের পরিমাণ হ্রাস করার জন্য দেখায়। যাইহোক, বিচ্ছেদ-বিহীন সমস্যার জন্য, সমাধানের সমাধানের জন্য, মিস-শ্রেণিবদ্ধকরণের সীমাবদ্ধতাটি শিথিল করা উচিত, এবং এটি উল্লিখিত "নিয়মিতকরণ" সেট করে সম্পন্ন করা হয়েছে।
সুতরাং, স্বজ্ঞাতভাবে, লাম্বদা যত বড় হবে ততই ভুলভাবে শ্রেণিবদ্ধ উদাহরণগুলি অনুমোদিত (বা ক্ষতির ক্ষেত্রে সবচেয়ে বেশি দামের বেতন দেওয়া হবে) অনুমোদিত। তারপরে ল্যাম্বদা যখন অসীমের দিকে ঝুঁকে তখন সমাধানটি হার্ড-মার্জিনের দিকে ঝুঁকে পড়ে (কোনও মিস-শ্রেণিবদ্ধকরণের অনুমতি দেয় না)। যখন ল্যাম্বদা 0 তে থাকে (0 না হয়ে) তত বেশি মিস-শ্রেণিবদ্ধকরণ অনুমোদিত হয়।
এই দুটি এবং সাধারণত ছোট ল্যাম্বডাসের মধ্যে অবশ্যই একটি বাণিজ্য রয়েছে, তবে খুব ছোট নয়, ভাল করে নিন সাধারণভাবে। রৈখিক এসভিএম শ্রেণিবদ্ধকরণ (বাইনারি) জন্য তিনটি উদাহরণ নীচে দেওয়া হয়েছে।
লিনিয়ার-কার্নেল এসভিএম-এর ক্ষেত্রে ধারণাটি একই রকম similar এটি প্রদত্ত, ল্যাম্বদার উচ্চ মানের জন্য ওভারফিটিংয়ের উচ্চতর সম্ভাবনা রয়েছে, তবে ল্যাম্বদার নিম্ন মানের জন্য আন্ডারফিট করার উচ্চতর সম্ভাবনা রয়েছে।
নীচের চিত্রগুলি আরবিএফ কার্নেলের জন্য আচরণ দেখায়, সিগমা প্যারামিটারটি 1 এ স্থির করে এবং ল্যাম্বদা = 0.01 এবং ল্যাম্বদা = 10 চেষ্টা করে
আপনি বলতে পারবেন যে প্রথম চিত্র যেখানে ল্যাম্বডা কম রয়েছে সেখানে দ্বিতীয় চিত্রের চেয়ে বেশি "স্বাচ্ছন্দ্য" যেখানে ডেটা আরও সুনির্দিষ্টভাবে লাগানো হবে।
(অধ্যাপক ওরিওল পুজোলের স্লাইডস। ইউনিভার্সিটিট ডি বার্সেলোনা)