দুর্বল শিক্ষার্থীদের "শক্তি" উপর

Question

জমায়েত শেখার ক্ষেত্রে দুর্বল শিক্ষার্থীদের সম্পর্কে আমার কাছে অনেকগুলি ঘনিষ্ঠভাবে সম্পর্কিত প্রশ্ন রয়েছে (উদ্বোধন করা)।

1. এটি বোবা লাগতে পারে তবে শক্তিশালী শিক্ষার্থীদের বিপরীতে দুর্বল ব্যবহারের সুবিধা কী? (উদাহরণস্বরূপ "শক্তিশালী" শেখার পদ্ধতিগুলি কেন উত্সাহিত করবেন না?)
2. দুর্বল শিক্ষার্থীদের জন্য (উদাহরণস্বরূপ অন্যান্য সমস্ত পোষাকের প্যারামিটারগুলি স্থির রেখে) কোনও ধরণের "অনুকূল" শক্তি আছে কি? যখন তাদের শক্তিতে আসে তখন কি কোনও "মিষ্টি স্পট" থাকে?
3. ফলস্বরূপ সংশ্লেষ পদ্ধতিতে আমরা কীভাবে দুর্বল শিক্ষার্থীর শক্তি পরিমাপ করতে পারি। আমরা কীভাবে পরিবেশনামূলকভাবে একটি ছিটকিনি ব্যবহারের প্রান্তিক সুবিধাগুলি পরিমাপ করব?
4. প্রদত্ত টীকাগুলি পদ্ধতিতে কোনটি ব্যবহার করবেন তা সিদ্ধান্ত নিতে আমরা কীভাবে কয়েকটি দুর্বল শেখার অ্যালগরিদমকে তুলনা করব?
5. যদি প্রদত্ত enেঁষে দেওয়া পদ্ধতিটি শক্তিশালী লোকের চেয়ে দুর্বল শ্রেণিবদ্ধীদের আরও সহায়তা করে, তবে আমরা কীভাবে বলব যে প্রদত্ত শ্রেণিবদ্ধ এটির সাথে উত্সাহ দেওয়ার সময় কোনও উল্লেখযোগ্য লাভ করতে ইতিমধ্যে "খুব শক্ত"?

Answer 1

এটি ব্যাগিং স্পিরিটে আরও বেশি হতে পারে তবে তবুও:

• আপনার যদি সত্যই শক্তিশালী শিক্ষানবিস থাকে তবে কোনও জড়ো কাঠের জিনিস দ্বারা এটি উন্নত করার দরকার নেই।
• আমি বলব ... অপ্রাসঙ্গিক। তুচ্ছভাবে মিশ্রণ এবং ব্যাগিংয়ে, খুব শক্তিশালী শ্রেণিবদ্ধকারী তৈরি করতে উত্সাহে কিছু লঙ্ঘন হতে পারে (অর্থাত্ একটি ভাগ্যবান ভবিষ্যদ্বাণী খাঁটি শব্দের ভবিষ্যদ্বাণী করতে পরবর্তী পুনরাবৃত্তি করতে পারে এবং এইভাবে পারফরম্যান্স হ্রাস করতে পারে), তবে এটি সাধারণত পুনরাবৃত্তির পুনরুক্তিগুলিতে মেরামত করা হয়।

• আবার, এটি আসল সমস্যা নয়। এই পদ্ধতির খুব মূল হয়

  1. আংশিক শ্রেণিবদ্ধকারীদের সমস্যার আরও গভীর দেখতে বাধ্য করুন।
  2. শব্দটি কমাতে এবং সংকেতকে প্রশস্ত করতে তাদের ভবিষ্যদ্বাণীগুলিতে যোগ দিন।

  1) উত্সাহ দেওয়ার ক্ষেত্রে কিছুটা মনোযোগ প্রয়োজন (অর্থাত্ ভাল উত্সাহীকরণের পরিকল্পনা, আংশিক শিক্ষার্থী ভাল আচরণ করা - তবে এটি বেশিরভাগই পুরো উত্সাহে পরীক্ষাগুলির দ্বারা বিচার করা উচিত), ২) ব্যাগিং এবং ব্লেন্ডিংয়ে (বেশিরভাগভাবে কীভাবে শিখার মধ্যে পারস্পরিক সম্পর্কের অভাব নিশ্চিত করতে হয়) এবং জড়ো করা রাতারাতি না)। যতক্ষণ না এটি ঠিক আছে ততক্ষণ আংশিক শ্রেণিবদ্ধের যথার্থতা তৃতীয় আদেশের সমস্যা।

Comments

ধন্যবাদ @ এমবিকিউ। উপরেরটির অর্থ কি এই যে দুর্বল শ্রেণিবদ্ধীরা সাধারণত শক্তিশালী ব্যক্তিদের চেয়ে জাঁকজমক পদ্ধতিতে বেশি উপকৃত হয়? (অর্থাত্ উত্সাহ দেওয়া শক্তিশালী ব্যক্তিদের চেয়ে দুর্বল শ্রেণিবদ্ধীদের আরও সহায়তা করে) এই অর্থে, আমরা কীভাবে জানি যে একটি নির্দিষ্ট শ্রেণিবদ্ধের জন্য নির্দিষ্ট জড়িত পদ্ধতির জন্য ইতিমধ্যে যথেষ্ট শক্তিশালী? (উদাহরণস্বরূপ, আপনি কীভাবে মোটামুটিভাবে বলতে পারেন যে আপনার শক্তিশালী শিক্ষার্থী রয়েছে যা উত্সাহ দেওয়া থেকে খুব বেশি উপকৃত হবে না?)

— অ্যামিলিও ওয়াজকেজ-রেইনা

বরং কেবল দুর্বল শ্রেণিবদ্ধীরা উন্নতির জন্য একটি স্থান দেয়। সাধারণভাবে শক্তি একটি বিমূর্ত গুণ এবং আমরা সত্যই এটি পরিমাপ করতে পারি না। একমাত্র নির্দিষ্ট পরীক্ষাটি কেবল একটি পরীক্ষা করা এবং পরীক্ষা করা উল্লেখযোগ্যভাবে কর্মক্ষমতা বাড়ায় কিনা তা পরীক্ষা করা। যদি তাই হয় তবে শ্রেণিবদ্ধ দুর্বল ছিল। যদি না, ভাল, আমরা এখনও কিছুই জানি না।

Answer 2

প্রথমত, "দুর্বল" এবং "শক্তিশালী" ধারনাগুলি কেবল দুর্বলভাবে সংজ্ঞায়িত করা হয়। আমার দৃষ্টিকোণ থেকে তাদের সর্বোত্তম বেইস শ্রেণিবদ্ধের সাথে তুলনামূলকভাবে সংজ্ঞায়িত করা উচিত, যা কোনও প্রশিক্ষণের অ্যালগরিদমের লক্ষ্য। এটি মাথায় রেখে, আমার তিনটি পয়েন্টের উত্তর নিম্নরূপ।

1. আমি এটি দেখতে হিসাবে গণনামূলক। আমি পরিচিত বেশিরভাগ দুর্বল শিখাগুলি গণনার দিক থেকে দ্রুত (এবং অন্যথায় বিবেচনার জন্য নয়)। জমায়েত শেখার একটি প্রধান বিষয় হুবহু হ'ল আমরা সহজ এবং দ্রুত একত্রিত করতে পারি, তবে এত ভাল নয়, শিখার এবং ত্রুটির হারের উন্নতি করতে পারি। যদি আমরা আরও শক্তিশালী (এবং গণনামূলকভাবে আরও বেশি চাহিদাযুক্ত) ব্যবহার করি তবে উন্নতির জন্য শিক্ষার্থীরা ঘরটি আরও কম হয়ে উঠবে তবে গণনা ব্যয় আরও বেশি হয়ে যায়, যা জড়িত পদ্ধতিগুলির ব্যবহারকে কম আকর্ষণীয় করে তোলে। তদুপরি, একটি একক শক্তিশালী শিক্ষার্থী ব্যাখ্যা করা সহজ হতে পারে। তবে, কোনটি দুর্বল এবং কোনটি শক্তিশালী তা নির্ভর করে সমস্যা এবং সর্বোত্তম বেইস রেটের উপর যা আমরা অর্জনের চেষ্টা করি on অতএব, যদি প্রায়শই দৃ strong় হিসাবে বিবেচিত কোনও শিক্ষার্থী যদি এটি বাড়ানো এবং উত্সাহ দেওয়ার সময় উন্নতির সুযোগ করে দেয় তবে তা বৃদ্ধি করুন ...
2. এটি "অনুকূল" পরিমাপ করতে আপনি যে মানদণ্ড ব্যবহার করেন তার উপর নির্ভর করবে। ত্রুটি হারের ক্ষেত্রে আমি বলব না (অন্যদের আলাদা অভিজ্ঞতা থাকলে আমি কোনও সংশোধনকে স্বাগত জানাই)। গতির ক্ষেত্রে, সম্ভবত, তবে আমি ধারণা করব যে এটি অত্যন্ত সমস্যা নির্ভর। আমি এটিকে সম্বোধন করে কোন সাহিত্য জানি না, দুঃখিত।
3. ?
4. ক্রস বৈধকরণ, ক্রস বৈধকরণ, ক্রস বৈধতা। পূর্বাভাস দেওয়ার লক্ষ্যে প্রশিক্ষণের জন্য অন্যান্য পদ্ধতির তুলনার মতো আমাদেরও তুলনার জন্য সাধারণীকরণ ত্রুটির পক্ষপাতহীন অনুমানের প্রয়োজন, যা একটি পরীক্ষার ডেটা সেট রেখে বা ক্রস বৈধকরণের দ্বারা এটির কাছাকাছি করে অর্জন করা যায়।

Comments

ধন্যবাদ @ এনআরএইচ, এটি খুব সহায়ক। আমি তৃতীয় প্রশ্নকে দুটি পৃথক প্রশ্নে পৃথক করেছি, যেহেতু আমি মনে করি তাদের সম্ভবত পৃথক উত্তর প্রয়োজন।

— আমেলিও ওয়াজকেজ-রেইনা

সুতরাং কোনও উপায় আছে কীভাবে কোনও শ্রেণিবদ্ধকারী অনুকূল বেইস শ্রেণিবদ্ধের সাথে কতটা নিকটবর্তী? যদি এটি ইতিমধ্যে যথেষ্ট কাছে থাকে তবে আমরা এটির উন্নতি করতে পারি না।

— highBandWidth

@ হাইব্যান্ডউইথ, বেয়েসের হার কী তা জানা সম্ভব নয়। এটি একটি তাত্ত্বিক পরিমাণ যা অজানা বিতরণের উপর নির্ভর করে। তাত্ত্বিক অনুমানগুলি নিম্ন এবং উচ্চতর (অ্যাসিপটোটিক) সীমা সরবরাহ করতে পারে এবং ক্রস বৈধতা বা স্বতন্ত্র পরীক্ষার ডেটা ব্যবহার করে উপরের সীমাগুলি সঠিকভাবে অনুমান করা সম্ভব। তবে আপনি যদি বিতরণটি জানেন না, তবে এ ধরণের উপরের চৌম্বকগুলি শক্ত কিনা বা উন্নতির জন্য ঘর ছেড়ে দিন তা বলা অসম্ভব।

— এনআরএইচ