আপনি এই রেফারেন্সটি পরীক্ষা করে দেখতে চাইতে পারেন । বিজ্ঞান-কিট লার্ন এলোমেলোভাবে লজিস্টিক রিগ্রেশন প্রয়োগ করে এবং সেখানে পদ্ধতিটি বর্ণিত হয়েছে।
তবে আপনার প্রশ্নের জবাব দিতে, দুটি লক্ষ্যই তাদের লক্ষ্যগুলিতে মূলত পৃথক। লজিস্টিক রিগ্রেশন একটি মডেল ফিট করার বিষয়ে এবং আরএলআর মডেলটির মধ্যে থাকা ভেরিয়েবলগুলি সন্ধান করার বিষয়ে।
ভ্যানিলা লজিস্টিক রিগ্রেশন একটি সাধারণ রৈখিক মডেল। বাইনারি প্রতিক্রিয়ার জন্য, আমরা পোষ্ট করি যে প্রতিক্রিয়ার সম্ভাবনার লগ প্রতিক্রিয়াগুলি অনেকগুলি ভবিষ্যদ্বাণীকের একটি লিনিয়ার ফাংশন। ভবিষ্যদ্বাণীকারীদের সহগগুলি সর্বাধিক সম্ভাবনা ব্যবহার করে অনুমান করা হয় এবং পরামিতিগুলি সম্পর্কে অনুমিতিগুলি তখন মডেলের বৃহত নমুনার বৈশিষ্ট্যের উপর ভিত্তি করে তৈরি করা হয়। সেরা ফলাফলের জন্য, আমরা সাধারণত ধরে নিই যে মডেলটি মোটামুটি সহজ এবং ভাল বোঝা। আমরা জানি কি স্বাধীন ভেরিয়েবল প্রতিক্রিয়া প্রভাবিত করে। আমরা মডেলটির পরামিতিগুলি অনুমান করতে চাই।
অবশ্যই, অনুশীলনে, আমরা সবসময় জানি না মডেলটিতে কী ভেরিয়েবলগুলি অন্তর্ভুক্ত করা উচিত। এটি বিশেষত মেশিন লার্নিং পরিস্থিতিতে সত্য যেখানে সম্ভাব্য ব্যাখ্যামূলক ভেরিয়েবলগুলির সংখ্যা বিশাল এবং তাদের মানগুলি অপূর্ব।
বছরের পর বছর ধরে, বহু ব্যক্তি পরিবর্তনশীল (পড়ুন "বৈশিষ্ট্য") নির্বাচনের উদ্দেশ্যে স্ট্যাটিস্টিকাল মডেল ফিটিংয়ের কৌশলগুলি ব্যবহার করার চেষ্টা করেছেন। নির্ভরযোগ্যতার বর্ধমান স্তরে:
- অ-উল্লেখযোগ্য ওয়াল্ড পরিসংখ্যান সহ একটি বড় মডেল এবং ড্রপ ভেরিয়েবল ফিট করুন। সর্বদা সেরা মডেল উত্পাদন করে না।
- সমস্ত সম্ভাব্য মডেলগুলি দেখুন এবং "সেরা" চয়ন করুন। গণনামূলকভাবে নিবিড় এবং দৃ .় নয়।
- এল 1 পেনাল্টি টার্ম (লাসো স্টাইল) দিয়ে বড় মডেলটিকে ফিট করুন। অকেজো ভেরিয়েবলগুলি ফিট হয়ে যায়। ভাল, তবে বিরল ম্যাট্রিক্সের সাথে অস্থির।
- এলোমেলোভাবে পদ্ধতি ৩. এলোমেলো উপগ্রহগুলি নিন, প্রত্যেকের জন্য একটি দন্ডিত মডেল ফিট করুন এবং ফলাফলগুলি কল্ট করুন। পরিবর্তনশীল যেগুলি প্রায়শই আসে তা নির্বাচন করা হয়। যখন প্রতিক্রিয়া বাইনারি হয়, এটি এলোমেলোভাবে লজিস্টিক রিগ্রেশন। অবিচ্ছিন্ন ডেটা এবং সাধারণ রৈখিক মডেল দিয়ে অনুরূপ কৌশলটি টানা যায়।