আমি একটি সংকেত প্রক্রিয়াকরণ শ্রেণিতে স্বয়ংক্রিয় স্পিচ স্বীকৃতির জন্য লুকানো মার্কভ মডেল অ্যালগরিদম ব্যবহার করেছি। এখন মেশিন লার্নিং সাহিত্যের মধ্য দিয়ে যাচ্ছি আমি দেখতে পাচ্ছি যে অ্যালগরিদমগুলিকে "শ্রেণিবদ্ধকরণ", "ক্লাস্টারিং" বা "রিগ্রেশন" হিসাবে শ্রেণিবদ্ধ করা হয়েছে। এইচএমএম কোন বালতি পড়ে? আমি সাহিত্যে তালিকাভুক্ত লুকানো মার্কভ মডেলগুলি দেখতে পাইনি।
লুকানো মার্কভ মডেল কোন ধরণের মেশিন লার্নিং অ্যালগরিদম?
উত্তর:
আমি "কিছুই নয়" বা "শ্রেণিবদ্ধকরণ এবং গুচ্ছ উভয়কেই" জবাব দেওয়ার জন্য প্রলুব্ধ হব।
কেন "কেউ নয়"? কারণ এইচএমএমগুলি একই রকম ব্যাগে সাপোর্ট ভেক্টর মেশিন বা কে-মাধ্যমের মতো নয়।
সমর্থন ভেক্টর মেশিন বা কে-মাধ্যমগুলি বিশেষত কোনও সমস্যা সমাধানের জন্য ডিজাইন করা হয়েছে (প্রথম ক্ষেত্রে শ্রেণিবদ্ধকরণ, দ্বিতীয়টিতে ক্লাস্টারিং), এবং প্রকৃতপক্ষে একটি "শ্রেণিবিন্যাসের প্রত্যাশিত মঙ্গলভাব" বা "ক্লাস্টারিংয়ের মঙ্গলভাব" মাপদণ্ডকে সর্বাধিক করে তোলার জন্য একটি অপ্টিমাইজেশন পদ্ধতি । সৌন্দর্য মানদণ্ড এবং অপ্টিমাইজেশন পদ্ধতির পছন্দ মধ্যে নিহিত। এইচএমএম প্রতি সেগের মতো একটি অ্যালগরিদম নয়। তারা ভেক্টরগুলির ক্রমগুলির উপরে একটি নির্দিষ্ট ধরণের সম্ভাবনা বিতরণ - যার জন্য আমরা ভাল পরামিতি অনুমান এবং প্রান্তিক বিতরণ গণনা অ্যালগরিদম জানি। তবে তারা "ক্লাস্টারিং" বা "শ্রেণিবিন্যাস" পরিবারে আছেন কিনা তা জিজ্ঞাসা করা যেমন গৌসিয়ান বিতরণ তদারকি করা হয়েছে বা নিরীক্ষণযোগ্য শিক্ষণ কিনা তা জিজ্ঞাসা করার মতোই হাস্যকর।
কেন "শ্রেণিবদ্ধকরণ এবং ক্লাস্টারিং উভয়"? নিম্নলিখিতগুলির কারণে: সম্ভাব্যতা বন্টন হওয়ায়, এইচএমএম একটি বেয়েসিয়ান কাঠামোর শ্রেণিবদ্ধের জন্য ব্যবহার করা যেতে পারে; এবং লুকানো রাজ্যের মডেল হওয়ায় প্রশিক্ষণের তথ্যগুলির কিছু সুপ্ত ক্লাস্টারিং তাদের পরামিতিগুলি থেকে পুনরুদ্ধার করা যায়। আরো স্পষ্ট করে:
এইচএমএম শ্রেণিবিন্যাসের জন্য ব্যবহার করা যেতে পারে। এটি বেইশিয়ান শ্রেণিবদ্ধকরণ কাঠামোর একটি সরল অ্যাপ্লিকেশন, এইচএমএম আপনার ডেটা বর্ণনা করার জন্য সম্ভাব্য মডেল হিসাবে ব্যবহৃত হচ্ছে। উদাহরণস্বরূপ, আপনার কাছে অঙ্কের উচ্চারণের একটি বৃহত ডাটাবেস ("এক", "দুটি" ইত্যাদি) রয়েছে এবং একটি অজানা উচ্চারণকে শ্রেণিবদ্ধ করতে সক্ষম এমন একটি সিস্টেম বানাতে চান। আপনার প্রশিক্ষণ তথ্য প্রতিটি শ্রেণীর জন্য ("এক", "দুই"), আপনি এই শ্রেণীর প্রশিক্ষণ ক্রমগুলি বর্ণনা করে এমন একটি এইচএমএম মডেলের প্যারামিটারগুলি অনুমান করেন - এবং আপনার 10 টি মডেল শেষ হয়। সম্ভাবনা স্কোর (যা আপনি চিহ্নিত করতে চান এমন ক্রমটি কতটা সম্ভবত মডেল দ্বারা উত্পন্ন হয়েছে তা নির্দেশ করে), এবং সর্বোচ্চ স্কোর সহ মডেলটি আপনাকে অঙ্ক দেয় H এইচএমএমসে রবিনার টিউটোরিয়ালে, প্রশিক্ষণের পর্যায়টি "সমস্যা 3", শ্রেণিবদ্ধকরণের স্তরটি "সমস্যা 2"।
প্রথমে তিনটি বিকল্পটি দেখুন:
- শ্রেণিবিন্যাস : প্রাক-সংজ্ঞায়িত শ্রেণীর সেটগুলির কোন শ্রেণীর ডেটা অন্তর্ভুক্ত তা সনাক্ত করা।
- ক্লাস্টারিং : ক্লাসগুলির সেট শিখছে যা ডেটা সম্পর্কিত।
- পেনশন : পরিবর্তনশীল এবং এক বা একাধিকের মধ্যে একটি সম্পর্ক সন্ধান করা।
উইকিপিডিয়ায় এইচএমএম-এর বিবরণে নিম্নলিখিত সারণি রয়েছে:
সুতরাং রাজ্যের সংখ্যা (শ্রেণি) নির্দিষ্ট করা আছে।
এর অর্থ হল যে অ্যালগরিদম ক্লাসের সংখ্যা (রাজ্যগুলি) বের করার চেষ্টা করে না --- সুতরাং এটি উন্মুক্ত সমষ্টি নয় (যেখানে রাষ্ট্রের সংখ্যা অজানা)।
তবে, @ নিকি যেমন উল্লেখ করেছেন, এইচএমএম ক্লাস্টারিং করবে।
প্রকৃতপক্ষে কোনও স্বাধীন পরিবর্তনশীল নেই (যেমন রিগ্রেশন প্রসঙ্গে বিদ্যমান) --- তাই এটি প্রতিরোধ নয়।
সুতরাং আমার উত্তর হ'ল এইচএমএম হ'ল একটি শ্রেণিবিন্যাস এবং একটি ক্লাস্টারিং অ্যালগরিদম, আমি বিশ্বাস করি না এটি একটি প্রতিরোধ।
2
"ক্লাসের সংখ্যা নির্ধারিত হলে" থেকে "কীভাবে পাবেন" সুতরাং "অ্যালগরিদমটি ক্লাসগুলি কিনা তা বোঝার চেষ্টা করে না"? কে-মানে ক্লাস্টারিংয়ের ক্লাসের সংখ্যাও ঠিক করা হয়েছে তবে এটি স্পষ্টভাবে একটি ক্লাস্টারিং অ্যালগরিদম।
—
নিকি এস্টনার
আমি মনে করি আমি স্থির চেয়ে ওপেন-এন্ড ক্লাস্টারিংয়ের অভ্যস্ত। উত্তর আপডেট করবে। ধন্যবাদ!
—
পিটার কে