কার্নেল পিসিএ (মূল উপাদান বিশ্লেষণ) দ্বারা চূড়ান্ত ডেটা আউটপুটে ভাল ডেটা বিচ্ছিন্নতার ফলাফল কী তা চয়ন করার উপায়গুলি কী কী এবং কার্নেলের প্যারামিটারগুলি অনুকূল করার উপায়গুলি কী কী?
সম্ভব হলে লেম্যানের শর্তাদি ব্যাপকভাবে প্রশংসিত হবে এবং এই জাতীয় পদ্ধতিগুলির ব্যাখ্যা করে এমন কাগজের লিঙ্কগুলিও দুর্দান্ত হবে।
1
আপনি যখন "ভাল ডেটা বিচ্ছেদ" বলবেন, আপনি ঠিক কীটির উল্লেখ করছেন? কার্নেল পিসিএ-এর কোন প্রয়োগটি আপনার মনে রয়েছে? যদি "ডেটা বিচ্ছেদ" এর সাথে কিছু করার থাকে, তাহলে আপনি কি কেপিসিএর পরিবর্তে কিছু শ্রেণিবিন্যাস কৌশল (যেমন কার্নেল সমর্থন ভেক্টর মেশিন) ব্যবহার করা উচিত? এগুলি ছাড়াও, ভাল প্রশ্ন, +1। কার্নেলের পছন্দ নিয়ে আমার অভিজ্ঞতা নেই, সুতরাং আপনাকে এখানে সহায়তা করতে পারে না।
—
অ্যামিবা
@ অ্যামিবা এটি অরৈখিক মাত্রা হ্রাস জন্য ব্যবহৃত হতে পারে। সমর্থন ভেক্টরগুলিতে আমার জ্ঞানটি কিছুটা সীমাবদ্ধ কারণ আমি কোনও সিএস কোর্স কখনও গ্রহণ করি নি; আমি একজন আন্ডারগ্র্যাড এবং অনলাইন পেপারগুলির মাধ্যমে শিখছি learning "ভাল ডেটা বিচ্ছেদ" দ্বারা আমি বোঝাতে চাইছি এই গবেষণাপত্রে প্লট করা উদাহরণগুলি কী দেখায় । আমি মতলব নিয়ে কাজ করছি এবং আমার কার্নেল পিসিএ কোডটি সহজ, পলি, রেডিয়াল ভিত্তি এবং সিগময়েড কার্নেলের জন্য প্রস্তুত এবং চলছে, তবে কখন সেরা ফলাফলের জন্য কোনটি ব্যবহার করা যায় তা জানা সহায়ক হবে।
—
শাইভস
আমি মনে করি কার্নেল নির্বাচন করার সর্বোত্তম (কেবল?) উপায়টি ক্রস-বৈধতা ব্যবহার করা, এখানে দেখুন: এসভিএমের জন্য কার্নেলটি কীভাবে নির্বাচন করবেন? ক্রস-বৈধতা ব্যবহার করার জন্য আপনার কেপিসিএর জন্য কেবলমাত্র একটি পারফরম্যান্স পরিমাপ করা দরকার। ক্লাস বিচ্ছেদ একটি শালীন পরিমাপ হতে পারে যে কি তোমার পরে, কিন্তু মনে রাখবেন যে পিসিএ / kPCA ডিজাইন করা হয় না এ সব একটি ভাল বর্গ বিচ্ছেদ ফলে; এটি কেবল ক্যাপচারিত বৈকল্পিকতা সর্বাধিক করছে।
—
অ্যামিবা 11
আমি কিছু পড়া করেছি এবং সম্ভবত আপনার প্রশ্নের উত্তর দিতে সক্ষম হয়েছি। তবে এতে আমার কিছুটা সময় (দিন) লাগতে পারে।
—
অ্যামিবা
@ অ্যামিবা সর্বাধিক বৈকল্পিকতা এখন আপনার কাছে তা উল্লেখ করার সাথে সাথে তা বোঝায়। আমি নিজে ক্রস বৈধতা যাচাই করব, তবে আপনি যদি সময় খুঁজে পেতে পারেন তবে এটির কিছুটা দেখার জন্য যদি এটি দুর্দান্ত হয়! ধন্যবাদ.
—
শিভস 21
