প্রথমটিকে নিম্নরূপে 'ব্যাখ্যা' করা যায়: যদি আপনার বর্তমান মডেলটিতে কোনও ভবিষ্যদ্বাণী গুরুত্বপূর্ণ হয়, তবে সেই ভবিষ্যদ্বাণীকের জন্য এলোমেলোভাবে তবে 'বাস্তববাদী' (যেমন: আপনার ডেটাসেটের উপরে এই ভবিষ্যদ্বাণীকের মানকে অনুমতি দেওয়া) এর জন্য অন্যান্য মান নির্ধারণ করা উচিত, তার নেতিবাচক প্রভাব থাকতে হবে পূর্বাভাসের উপর, যেমন: একই ভেরিয়েবল ব্যতীত একই ডেটা থেকে ভবিষ্যদ্বাণী করতে একই মডেলটি ব্যবহার করা হলে আরও খারাপ ভবিষ্যদ্বাণী করা উচিত।
সুতরাং, আপনি মূল ডেটাসেট এবং তারপরে 'অনুমোদিত' ডেটাসেটের সাথে একটি ভবিষ্যদ্বাণীমূলক পরিমাপ (এমএসই) নেন এবং আপনি কোনওভাবে তাদের তুলনা করেন। একটি উপায়, বিশেষত যেহেতু আমরা আশা করি আসল এমএসই সর্বদা ছোট থাকে তাই পার্থক্যটি নেওয়া যায়। পরিশেষে, ভেরিয়েবলের তুলনায় মানগুলি তুলনামূলক করার জন্য, এগুলি ছোট করে দেওয়া হয়।
দ্বিতীয়টির জন্য: প্রতিটি বিভাজনে, আপনি গণনা করতে পারেন যে এই বিভাজনটি নোডের অপরিষ্কারটিকে কমিয়ে দেয় (রিগ্রেশন ট্রিগুলির জন্য, বিভাজনের আগে এবং পরে আরএসএসের মধ্যে পার্থক্য)। এটি এই গাছের জন্য সমস্ত গাছে জুড়ে সমস্ত গাছে জুড়ে দেওয়া হয়।
দ্রষ্টব্য: একটি ভাল পঠন হস্টি, তিবশিরানী এবং ফ্রেডম্যানের স্ট্যাটাসটিকাল লার্নিংয়ের উপাদানসমূহ ...
?importance
? উভয় পদক্ষেপের অর্থ কী তা নিয়ে সেখানে একটি ব্যাখ্যা রয়েছে ...