ইঞ্জিনিয়ারিং দৃষ্টিকোণ থেকে খুব নির্ভুল মডেলের ডাউনসাইডগুলি কী কী?

24

আমি ভাবছিলাম, ইঞ্জিনিয়ারিং দৃষ্টিকোণ থেকে, কী কারণে মডেলিংয়ের ক্ষেত্রে খুব বেশি নির্ভুলতা ক্ষতিকারক হতে পারে?

বৈজ্ঞানিক দৃষ্টিকোণ থেকে দেখে মনে হচ্ছে এটি প্রায় সর্বদা একটি উপকার, আপনি যখন কম গণনার সময় নেওয়ার প্রয়োজন হয় তা বাদ দিয়ে।

তাই ইঞ্জিনিয়ারিং দৃষ্টিকোণ থেকে সময় (বা কম্পিউটিং পাওয়ার) ছাড়াও কেন আপনার এড়ানো উচিত?

modeling systems-engineering

— অতিথিটি
সূত্র

2

প্লিজ এখানে "যথার্থতা" এবং "অত্যধিক" সংজ্ঞায়িত করুন। আপনার কাছে এমন একটি মডেল থাকতে পারে যা অনিশ্চয়তার পরিসীমাটিকে অত্যন্ত উচ্চ নির্ভুলতার কাছে পূর্বাভাস দেয় বা এমন একটি মডেল বলে যা অনিশ্চিততাটিকে খুব কম মূল্যে হ্রাস করে। ইত্যাদি।

— কার্ল উইথফট

1

"সবকিছু যতটা সম্ভব সহজ করা উচিত, তবে কোনও সহজ নয়” "আইনস্টাইন।

— এরিক ডুমিনিল

1

"সময় ছাড়াও (বা কম্পিউটিং পাওয়ার)" মনে হচ্ছে সমস্ত উত্তর এই পয়েন্টটি মিস করেছে ..

— এজেন্টপ

1

@agentp বিপরীতে, প্রশ্নটি এটিকে বাদ দেওয়ার চেষ্টা করে নিজেই উত্তর দেয়। প্রথম দিকে প্রশ্নে থাকা একটি নির্বোধ বিষয়।

— jpmc26

2

এটি আমি সবচেয়ে খারাপভাবে দেখা সবচেয়ে খারাপ "উচ্চতর ভোট দেওয়া" প্রশ্ন। এটি বিভ্রান্তিকর সমতল।

— এজেন্ট

38

ওভারফিটিং থেকে সাবধান থাকুন । কোনও সিস্টেম থেকে সংগৃহীত ডেটার আরও সঠিক মডেল কোনও সিস্টেমের ভবিষ্যতের আচরণের জন্য আরও ভাল ভবিষ্যদ্বাণীকারী নাও হতে পারে।

উপরের চিত্রটি কিছু ডেটার দুটি মডেল দেখায়।

রৈখিক লাইনটি প্রশিক্ষণের ডেটা (গ্রাফের পয়েন্টগুলি) এর উপর কিছুটা নির্ভুল এবং পরীক্ষার ডেটাতে এটি কিছুটা সঠিক হবে (যেখানে পয়েন্টগুলি x <5 এবং x> -5 এর জন্য হতে পারে) )।

বিপরীতে, বহুপদী ট্রেনিং ডেটার জন্য 100% সঠিক, তবে (যদি আপনার 9 ম ডিগ্রি বহিরাগতটি কোনও শারীরিক কারণে যুক্তিসঙ্গত বিশ্বাস করার কোনও কারণ না থাকে), আপনি ধরে নিতে পারবেন এটি x> 5 এবং এর জন্য অত্যন্ত দরিদ্র ভবিষ্যদ্বাণী হবে x <-5।

লিনিয়ার মডেলটি 'কম নির্ভুল', আমরা যে তথ্য সংগ্রহ করেছি তার সাথে ত্রুটির তুলনার উপর ভিত্তি করে। তবে এটি আরও সাধারণীকরণযোগ্য।

অধিকন্তু, প্রকৌশলীগুলিকে তাদের মডেল সম্পর্কে কম চিন্তা করতে হবে এবং লোকেরা মডেলটির সাথে কী করবে about

যদি আমি আপনাকে বলি যে আমরা গরমের দিনে হাঁটতে যাচ্ছি এবং এটি 426 মিনিট স্থায়ী হবে বলে আশা করা হচ্ছে। আপনি যদি হাঁটা the ঘন্টা চলবে বলে তুলনায় আপনি কম জল নিয়ে আসেন, এবং আমি যদি বলি যে হাঁটাচলা 4-8 ঘন্টা চলবে তবে তার চেয়ে কম। এর কারণ আপনি আমার পূর্বাভাসের উপর আমার উল্লিখিত স্তরের আত্মবিশ্বাসের আমার প্রতিক্রিয়া ব্যক্তির সময়কালের মধ্য বিন্দুটির পরিবর্তে সাড়া দিচ্ছেন।

আপনি যদি মানুষকে একটি সঠিক মডেল দেন তবে লোকেরা তাদের ত্রুটির প্রান্তিকতা হ্রাস করবে। এটি বড় ঝুঁকি বাড়ে।

উত্তপ্ত দিনের উদাহরণে হাঁটাচলা করা, যদি আমি জানি তবে হাঁটতে নেভিগেশন এবং হাঁটার গতি সম্পর্কে কিছুটা অনিশ্চয়তার সাথে 95% ক্ষেত্রে 4-8 ঘন্টা সময় লাগবে। আমাদের চলার গতিটি পুরোপুরি জানলে 4-8 চিত্রের অনিশ্চয়তা হ্রাস পাবে, তবে 'জল এতটা সমস্যা হয়ে দাঁড়ায় আমাদের এতটা সময় নেওয়ার সুযোগ' এর উল্লেখযোগ্যভাবে প্রভাব ফেলবে না, কারণ এটি প্রায় পুরোপুরি অনিশ্চিত নেভিগেশন দ্বারা চালিত হয়, না অনিশ্চিত হাঁটার গতি।

— স্কট
সূত্র

1

ঠিক আছে, যদিও আমি মন্তব্য করছি যে ডিগ্রি এর একটি বহুবর্ষ অস্বাভাবিক খারাপ আচরণের একটি উদাহরণ; অবশ্যই এমন মডেলটি কখনও ব্যবহার করা উচিত নয়। বোধগম্য মডেলগুলি, এমনকি অতিরিক্ত পরিমাণে থাকা সত্ত্বেও, যদি আপনি পরিমাপের দ্বারা আচ্ছাদিত পরিসীমাটি না ফেলে থাকেন তবে এ জাতীয় বিস্ফোরণ ঘটানো উচিত নয় । প্রকৃতপক্ষে 8 ডিগ্রির একটি বহুপদী ইতিমধ্যে অনেক মসৃণ ফিটের জন্য তৈরি করবে, সেই তথ্যগুলি given

N

$N$

— বাম দিকের বাইরে

লিঙ্কযুক্ত উইকিপিডিয়া নিবন্ধটির মূল উক্তি: 'যখন কোনও মডেল একটি প্রবণতা থেকে সাধারণীকরণের জন্য "শেখার" পরিবর্তে প্রশিক্ষণ ডেটা "মুখস্ত" করা শুরু করে তখন অত্যধিক সংস্থান ঘটে' '

— এমিলিও এম বুমাচার

4

আমরা কি সত্যিই ওভারফিটিংকে "মডেলের খুব বেশি নির্ভুলতা" হিসাবে বিবেচনা করব? এটি "খুব সঠিক একটি মডেল" থাকার কোনও খারাপ দিক নয়। এটি অনেকগুলি সঠিক পয়েন্ট থাকা এবং খারাপভাবে মডেলিং করা একটি প্রতিকূল । সঠিক ডেটা বন্ধ একটি খারাপ মডেল তৈরি নয় একটি সঠিক মডেল।

— জেএম্যাক

@ জ্যাম্যাক: প্রশিক্ষণ সংস্থায় খুব বেশি তথ্য ছুঁড়ে দিয়ে ইচ্ছাকৃতভাবে একটি খারাপ মডেল তৈরির উদ্দেশ্যে স্থাপন না করেই মেশিন লার্নিং প্রসঙ্গে ওভারফিটিং স্বাভাবিকভাবেই ঘটতে পারে। আমি নিশ্চিত নই যে "খুব নির্ভুল" হ'ল এই জাতীয় ফলাফলের বর্ণনা দেওয়ার সঠিক উপায় তবে দুটিও "সাধারণ মডেলিংয়ের ত্রুটি" নয়।

— কেভিন

26

সর্বাধিক সুস্পষ্ট নেতিবাচক ব্যয় হ'ল, সমস্ত ইঞ্জিনিয়ারিং প্রকল্পগুলির একটি সীমাবদ্ধ বাজেট থাকে এবং আপনার প্রয়োজনের চেয়ে বেশি অর্থ ব্যয় করা স্পষ্টভাবে সময় নষ্টের কথা উল্লেখ না করা একটি খারাপ বিষয়।

আরও সূক্ষ্ম সমস্যা হতে পারে। এফআই বিশ্লেষণের মতো জিনিসগুলি সর্বদা আনুমানিকতা এবং কখনও কখনও অপ্রয়োজনীয় বিশদ যুক্ত করা প্রত্নতত্ত্বগুলি প্রবর্তন করতে পারে এবং একটি মডেলটির সমস্যা সমাধান করা আরও কঠিন করে তোলে। উদাহরণস্বরূপ, আপনি বিরতি পেতে পারেন যার ফলে স্ট্রেস রেইজার হয়

এই বিবেচনাটিও রয়েছে যে আপনার কাছে বিপুল পরিমাণ ডেটা সরবরাহকারী এবং গ্রাহকরা আরামে হ্যান্ডেল করার কম্পিউটিং পাওয়ার ক্ষমতা না থাকলেও এবং অনেক ক্ষেত্রে বড় ফাইল স্থানান্তরিত করা এখনও কিছুটা বাধা।

একইভাবে আপনার যদি প্রয়োজনের তুলনায় আরও বেশি প্যারামিটার থাকে তবে আপনি ফাইল পরিচালনা ও ডিবাগিংয়ের ক্ষেত্রে অতিরিক্ত কাজ তৈরির সম্ভাবনা তৈরি করছেন।

আবার আপনার কাছে এখন প্রচুর সময় এবং সংস্থান থাকলেও এটি ভাল হতে পারে যে লাইনের আরও নিচে কারও কাছে একই বিলাসিতা ছাড়াই সেই মডেলটি ব্যবহার করা দরকার, বিশেষত যদি এটি কোনও পণ্য যে আপনি গ্রাহকদের কাছে বিক্রি করছেন তার অংশ হিসাবে শেষ হয়।

— ক্রিস জনস
সূত্র

7

ক্যোয়ারী: 2nd অনুচ্ছেদ এটা পড়া উচিত "... প্রয়োজনীয় বিস্তারিত যোগ করার ..." বা "যোগ উন প্রয়োজনীয় বিস্তারিত"

— ফ্রেড

হ্যাঁ অপ্রয়োজনীয় হওয়া উচিত

— ক্রিস জনস

আমি নিশ্চিত নই যে এফই উদাহরণটি এখানে ভাল কাজ করে। যে ক্ষেত্রে, Fe হয় মডেল। আরও সঠিক ডেটা ব্যবহার করতে সমস্যা হতে পারে; তবে যদি আপনার এফআই মডেলটি সঠিক হয় তবে স্পষ্টতই আপনাকে নিদর্শনগুলির বিষয়ে চিন্তা করার দরকার নেই; কারণ আপনার মডেল তাদের নেই। আমরা ইতিমধ্যে এটি নির্ভুল হিসাবে সংজ্ঞায়িত করেছি । হতে পারে কোনও এফএই বিশ্লেষণে প্লাগ করতে ভিন্ন মডেল ব্যবহারের ক্ষেত্রে; তবে তারপরে এটি বেশিরভাগ ক্ষেত্রে কেবল মডেলটি ব্যবহার করে "লাইনটির নিচে কেউ" থাকে।

— জেম্যাক

13

এখানে কিছু কারন আছে।

খাঁটি বাস্তববাদী দৃষ্টিকোণ থেকে এটি সময়ের সীমাবদ্ধতার কারণে। কোনও মডেল সমাধানের জন্য প্রয়োজনীয় সময়টি যথাযথতার স্তরের তুলনায় অনেক বেশি দ্রুত বৃদ্ধি পায় এবং যে কোনও স্তরই গ্রহণ করা যায়, তা বিষয়ভিত্তিক।

এটি অত্যধিক নির্ভুলতা বেশিরভাগ অকেজো যে সত্য দ্বারাও প্রভাবিত হয়। সর্বোপরি, প্রদত্ত ইনপুট মানগুলির জন্য আপনার মডেলটি 99.999% সঠিক হতে পারে, তবে আসল বিশ্বটি অনর্থক। ইস্পাত এর স্থিতিস্থাপকতার মডুলাসের প্রতি - সহনশীলতা রয়েছে । তাহলে যদি আপনার কীগুলির একটি ইনপুট 10% দিয়ে বন্ধ করে দেওয়া যায় তবে কেন একটি দুর্দান্ত নির্ভুল মডেলটি নিয়ে বিরক্ত করবেন? (এটি বলার অপেক্ষা রাখে না যে কংক্রিট বা মাটি এবং লোডিংয়ের মতো অন্যান্য ভেরিয়েবলের ক্ষেত্রে ত্রুটির মার্জিন উল্লেখযোগ্যভাবে বেশি)। $\pm5$ $15\%$

এই কারণে, খুব সুনির্দিষ্ট হওয়ার কোনও মানে নেই। তবে প্রকৃতপক্ষে, খুব বেশি সুনির্দিষ্ট হওয়ার চেষ্টা না করাই উপকারী হতে পারে। তবে এর কারণগুলি বেশিরভাগ মনস্তাত্ত্বিক। মূলত, আপনি চান না যে আপনার মডেলটি খুব সুনির্দিষ্ট হোক এবং আপনি সাত দশমিক স্থান নিয়ে ফলাফলগুলি আউটপুট করতে চান না, কারণ আপনি আত্মবিশ্বাসের কোনও মিথ্যা ধারণা তৈরি করতে চান না।

মানব মস্তিষ্ক 1.893532697 1.2 এর তুলনায় আরও সঠিক মান বলে ভাবতে শক্ত হয়। তবে বাস্তবে তা নয়। সমস্ত বাস্তব-অনিশ্চয়তার কারণে আপনার মডেলটি সম্ভবত বিবেচনায় নিতে পারে না (বিশেষত বর্তমান হার্ডওয়্যার সীমাবদ্ধতা দেওয়া হয়েছে), 1.2 অবশ্যই প্রায় 1.2393532697 এর ফলাফল হিসাবে বৈধ। সুতরাং নিজেকে ইলুড করবেন না বা যে কেউ আপনার মডেল দেখে। মাত্র আউটপুট ১.২, যা স্বচ্ছভাবে নির্দেশ করে যে দ্বিতীয় অঙ্কের পরে কী চলছে আপনি সত্যই জানেন না।

— ওয়াসাবি
সূত্র

6

একটি অত্যন্ত নির্ভুল মডেলের জন্য একটি নিষিদ্ধ পরিমাণ ইনপুট ডেটার প্রয়োজন হতে পারে। আবহাওয়া ব্যবস্থার একটি দুর্দান্ত মডেল উত্পন্ন করা সম্ভব হতে পারে, উদাহরণস্বরূপ, বায়ুমণ্ডলে প্রতিটি গ্যাসের অণুর অবস্থান এবং গতিবেগকে ইনপুট হিসাবে গ্রহণ করে। অনুশীলনে, এই জাতীয় মডেলটি কার্যকর হবে না, যেহেতু সঠিক ইনপুট উত্পন্ন করার কোনও বাস্তবসম্মত উপায় নেই। একটি কম নির্ভুল মডেল যার জন্য কেবল সীমিত ইনপুট ডেটার প্রয়োজন এটি এই ক্ষেত্রে পছন্দনীয়।

— পারমাণবিক ওয়াং
সূত্র

1

আপনি পৃথক প্রশ্নের উত্তর দিয়েছিলেন, বুদ্ধি দিয়ে: "ইনপুট ডেটা কত বেশি"

— কার্ল উইটফট

আমি সম্ভবত এখানে প্রশ্নটির উল্লেখ সম্পর্কে একটি নোট যুক্ত করব "এছাড়াও যখন আপনার কম গণনার সময় প্রয়োজন হবে", কারণ এটিও কম সুনির্দিষ্ট মডেল রাখার একটি ভাল কারণ; যদি আপনার মডেলটি খুব সুনির্দিষ্ট হয় তবে বাস্তব-বিশ্বের কেসগুলি মহাবিশ্বের তাপ মৃত্যুর চেয়ে বেশি সময় নিতে পারে ulate

— বিতরণ করুন

5

"খুব নির্ভুল" মনোটোনিক নয়। এটি প্রকৃতপক্ষে বিশ্বস্ততার একটি মায়া তৈরি করতে পারে যা আপনাকে মনে করে যে সিমুলেশনটিতে আরও বেশি অর্থ পাম্প করা উচিত। আপনি মিশ্র-বিশ্বস্ততা মডেলগুলি থেকে ডেটা উপস্থাপন করার সময় এটি খুব গুরুত্বপূর্ণ হয়ে ওঠে, যেখানে কিছু অংশ খুব বিশদ এবং অন্যান্য অংশগুলি খুব মোটা হয়।

একটি বাস্তব জীবনের উদাহরণ আমি ভূখণ্ডের উপরে উচ্চতার নমুনা জড়িত ছিল। বিশ্বস্ততা সর্বাধিকীকরণের জন্য দলটি ২৪২৪ খণ্ডে ভূখণ্ডের নমুনা নেওয়ার সিদ্ধান্ত নিয়েছিল। আমাদের গ্রাহক একটি রিয়েলগুড (টিএম) উত্তর চেয়েছিলেন।

এই বিশেষ অ্যালগরিদমের কারণে রানটাইম হিট হওয়ার কারণে আমি এখন বিরক্ত হয়েছি এবং আমি বুঝতে চেয়েছিলাম যে আমি আসলে কতটা বিশ্বস্ততার জন্য মূল্য দিয়েছিলাম। আমি কোনও ভূখণ্ডের ডেটা দেখিনি, তাই আমি তাদের জিজ্ঞাসা করেছি তারা কীভাবে এটি লোড করেছে। উত্তরটি ছিল "ওহ, আমাদের ভূখণ্ড নেই। এটি কেবল সমতল"।

সুতরাং এটির মতো শোনা গেল আমার কাছে একটি দুর্দান্ত উচ্চ-বিশ্বস্ততা মডেল ছিল যা 1024 পয়েন্টের নমুনা নিয়েছিল। আমার কাছে যা ছিল তা হ'ল একটি বিশ্বস্ততা মডেল যা 1024 বার 1 পয়েন্ট স্যাম্পলিংয়ের চেয়ে ভাল কিছু করতে পারেনি, তবে পুরো টনটি ধীর করে চালিয়েছিলেন, এবং একটি উচ্চ-বিশ্বস্ততা মডেল হিসাবে মুখোশধারী!

প্রকৃত ইঞ্জিনিয়ারিং বিশ্বে নেতারা সবসময় কোনও মডেলের পুরো আর্কিটেকচার শেখার সুযোগ পান না। আসলে, আমি বলতে পারি যে তাদের কাছে কখনই সময় নেই। আমাদের নেতৃত্বটি আমাদের কাছে একটি দুর্দান্ত 1024 পয়েন্টের মডেল ছিল এই ধারণা থেকে সিদ্ধান্ত নিয়েছিল। কারও দোষ ছিল না, আপনি যখন মডেলটির এক অংশে বিশ্বস্ততাটি খুব বেশি উচ্চারণ করেন এবং অন্যদিকে বিশ্বস্ততা কম করেন ঠিক তখনই তা ঘটে। এটি মিশ্র-বিশ্বস্ততার সাথে জন্তুটির প্রকৃতি।

— আমটন কর্ট - মনিকা পুনরায় স্থাপন করুন
সূত্র

কীভাবে তাৎপর্যপূর্ণ পরিসংখ্যানগুলিকে হ্রাস করা যায় সে সম্পর্কে একটি নীতিগর্ভ রূপকথা কেবল সর্বদা পিছনের জিরোগুলি কেটে ফেলার বিষয়ে নয়।

— আইক্রে

1

বাস্তবে আমরা যে ডেটা আছে আছে, এবং সেখানে আমরা যে ডেটা হয় না আছে। প্রায় সবসময়, ব্যবহারিক বা অর্থনৈতিক কারণে আমরা কখনই সংগ্রহ করার আশা করতে পারি না তার তুলনায় আমাদের যে পরিমাণ ডেটা নেই তা অনেক বেশি।

অতএব আমরা যে কয়েকটি নমুনায় তথ্যের সাথে মানসিকভাবে ভালভাবে ফিট করার চেষ্টা করে আমাদের মডেলটি এমন অঞ্চলে সত্যই খারাপ অনুমান করা ঝুঁকিপূর্ণ করে তুলবে যেখানে আমাদের সততার কোনও চিহ্ন নেই (তথ্যের অভাবে)। তারপরে আমাদের মডেলটি আমাদের নিরাপত্তার একটি মিথ্যা ধারণা দেবে।

— mathreadler
সূত্র

1

তাই ইঞ্জিনিয়ারিং দৃষ্টিকোণ থেকে সময় (বা কম্পিউটিং পাওয়ার) ছাড়াও কেন আপনার এড়ানো উচিত

যান্ত্রিক ইঞ্জিনিয়ারিং দৃষ্টিকোণ থেকে আসা সবচেয়ে বড় কারণ আপনি কেবলমাত্র অতিরিক্ত প্রচেষ্টাতে প্রতিশ্রুতিবদ্ধ হন যদি তা উল্লেখযোগ্যভাবে পৃথক ফলাফল দেয়।

যদি আপনার মডেলটিতে নির্ভুলতার স্তরটি যথাযথতার স্তরের চেয়ে বেশি মাত্রার অর্ডার হয় তবে আপনি আপনার নকশাকে কার্যকর করার ক্ষেত্রে আপনার প্রচেষ্টা নষ্ট করছেন। যদি আপনার মডেলটিতে বর্ণিত নির্ভুলতার স্তরটি ক্লায়েন্টের জন্য প্রভাবিত হয় তার চেয়ে বেশি হয়। আপনি অর্থ অপচয় করছেন। উদাহরণস্বরূপ যদি আপনি ডিজাইনের চেয়ে উচ্চতর নির্ভুলতা নির্দিষ্ট করে থাকেন (উদাহরণস্বরূপ + ভেন্ট পাইপের দৈর্ঘ্যে ++ - .00001 মিমি) আপনি আপনার ক্লায়েন্টদের অর্থ নষ্ট করছেন কারণ একটি 350 মিমি ভেন্ট বায়ুমন্ডলে 350.0005 মিমি ভেন্ট হিসাবে একই কাজটি করে does বায়ুমণ্ডলে তবে উত্তরোত্তর উত্পাদন ব্যতীত ব্যয়বহুল।

বিশ্ববিদ্যালয়ে আমরা সকলেই নিউটনীয় পদার্থবিজ্ঞান ব্যবহার করে শারীরিক জগতের মডেল করতে শিখেছি যদিও এটি ভালভাবে প্রতিষ্ঠিত যে নিউটনিয়ান পরবর্তী পদার্থবিজ্ঞান শারীরিক আচরণের আরও নিখুঁত মডেল উপস্থাপন করে। তবুও আমি জানি এমন কোনও মেকানিকাল ইঞ্জিনিয়ারিং প্রোগ্রাম নেই যা ডিফল্টরূপে নিউটনীয় মডেলগুলিকে খুব ভুল বলে ধরে দেয়। যদি আমরা আরও সঠিক মডেল ব্যবহার করি এবং তাত্ত্বিক সত্যের কাছে 0.1% এর কাছাকাছি এমন একটি উত্তর নিয়ে এসেছি যা বিস্তৃত ক্ষেত্রে আমাদের চূড়ান্ত নকশাকে প্রভাবিত করবে না। আমাদের উত্পাদনের চাপ যদি 0.1% আলাদা হয় যা আমাদের প্রয়োজনীয় ক্রস বিভাগে একটি তুচ্ছ পার্থক্য দেয় যা আমাদের উভয় পদ্ধতির উপর ভিত্তি করে আই-বিমের যথাযথ একই আকার চয়ন করতে পরিচালিত করে। এই পরিস্থিতিতে অতিরিক্ত পরিশ্রমের ব্যয় কোনও অতিরিক্ত সুবিধা দেয় না।

এখন এমন পরিস্থিতি রয়েছে যেখানে একটি কার্যক্ষম নকশা তৈরি করতে যথার্থতা প্রয়োজন, উদাহরণস্বরূপ কিছু স্যাটেলাইটের আপেক্ষিক পদার্থবিজ্ঞানের মডেলিংয়ের প্রয়োজন। এই পরিস্থিতিতে আমাদের এমন একটি মডেল সন্ধান করতে হবে যা প্রয়োজনীয় নির্ভুলতার স্তর সরবরাহ করে এবং আমাদের মডেলটির নকশা করা দরকার। আমাদের যদি +/- 0.0001% মাত্রা গণনা করতে হয় তবে আমাদের অংশের মাত্রা +/- 0.1% হলে এটি সম্পূর্ণরূপে প্রচেষ্টা নষ্ট হয়। বাস্তব বিশ্বের অ্যাপ্লিকেশনগুলিতে নির্ভুলতার পরবর্তী ডিগ্রির অংশ মাত্রাগুলি পূর্বের তুলনায় অনেক বেশি সাধারণ।

— Myles
সূত্র

0

ব্যয়: সময় ব্যয় বা কম্পিউটিং পাওয়ার ব্যয় এবং নির্ভুলতার ব্যয় - যদি অন্যান্য ভেরিয়েবলের 5% সহনশীলতা থাকে উদাহরণস্বরূপ কেন গুনে ফলাফল 1% করা হয় ...

— সোলার মাইক
সূত্র

0

পূর্ববর্তী উত্তরে ইনপুট এবং ব্যয় উল্লেখ করা হয়েছিল। আপনি যদি নির্ভুলতা চান যেমন। উত্পাদনের প্যারামিটারগুলির অপ্টিমাইজেশনে আপনার সম্ভবত আরও পরিমাপের প্রয়োজন এবং প্রথমে আপনাকে বিশ্লেষণ করতে হবে যে আপনি ব্যয় কতটা কমিয়ে আনতে পারেন তার পরিমাপের ফ্রিকোয়েন্সি বা অটোমাইজড সিস্টেমের ব্যয় যা ম্যানুয়াল ডেটা সংগ্রহকে প্রতিস্থাপন করবে তার তুলনায় আপনি কত ঘন্টা কাজ ব্যয় হ্রাস করতে পারেন। দ্বিতীয় উদাহরণ যদি আপনি খুব সঠিক ফলাফলগুলি পান যেখানে আপনি সময় এবং অন্যান্য সংস্থানগুলি অর্জনের জন্য বিনিয়োগ করেছেন, আপনার কাছে মান নিয়ন্ত্রণ, শিল্প পরিমাপ ইত্যাদি বা এমনকি প্রযুক্তির জন্য পর্যাপ্ত সরঞ্জাম রয়েছে? আপনার ফলাফলগুলি যদি সময় ব্যয় করার চেয়ে ব্যর্থ হয় তবে তা গ্রহণ করা ভুল sp

— Katarina
সূত্র

0

রঙের দ্বারা বন চিহ্নিত করার জন্য সেন্টিমিটার-রেজোলিউশনে আপনার কি উপগ্রহের চিত্রের প্রয়োজন হবে? অবশ্যই না। আমি ক্ষতিকারক হব, যেহেতু আপনাকে কোনও অ-সবুজ 10 বর্গ সেন্টিমিটার প্যাচ সম্পর্কে সিদ্ধান্ত নিতে হবে। মডেলিংয়ের জন্য একই: বিশদ রেজোলিউশনটি আপনার লক্ষ্য বৈশিষ্ট্যগুলির রেজোলিউশনের সাথে মাপসই করা উচিত। যদি তা না হয় তবে আপনি সময়কে হ্রাস করবেন।

— guuusst
সূত্র

0

বেশিরভাগ আসল উত্তরগুলি আপনার কৃত্রিম সীমাবদ্ধতার দ্বারা বাদ দেওয়া হয়েছে যে কম্পিউটিং পাওয়ার এবং গণনার সময়গুলি বিবেচনা করা উচিত নয়। এমন একটি মডেল যা মূল্যায়নের জন্য কয়েক ঘন্টা বা দিন সময় নেয় তাড়াতাড়ি ডিজাইনের পুনরাবৃত্তির অনুমতি দেয় না এবং মানবিক আকারে জিনিসগুলি ধীর করে দেয়, ব্যয় বাড়ায় এবং সম্ভবত নিকৃষ্ট ফলাফলের দিকে নিয়ে যায়। চূড়ান্তভাবে খুব বেশি নির্ভুলতা না হারিয়ে মডেলগুলিকে খুব কার্যকর পদ্ধতির হতে পারে, তারপরে ব্রুট-ফোর্স মডেলটি চূড়ান্ত পুনরাবৃত্তিকে বৈধতা দেওয়ার জন্য ব্যবহার করা যেতে পারে।

অত্যধিক জটিল মডেলগুলি মডেলটিতে মৌলিক ত্রুটিগুলি মুখোশ করতে পারে বা মডেলকে ব্যবহারিকভাবে সর্বাধিক ব্যবহার করতে তথ্য সংগ্রহ করতে প্রয়োজনীয় যে কোনও সম্ভাব্য সুবিধা ছাড়িয়ে যাবে এটি সম্ভব। উদাহরণস্বরূপ, যদি সরবরাহকারী এগুলি নিয়ন্ত্রণ করতে পারে তার তুলনায় আপনার যদি কোনও উপাদানের বৈশিষ্ট্য আরও বেশি মাত্রায় জানতে হয় তবে আপনি ত্রুটি ব্যান্ডগুলি গ্রহণ করতে পারেন বা মডেলটিকে সামঞ্জস্য করার জন্য প্রতিটি ব্যাচের উপাদান পরীক্ষা করতে পারেন।

— স্পিহ্রো পেফানি
সূত্র