অর্ডিনাল ডেটা আউটপুটে কিভাবে নিউরাল নেটওয়ার্ক সেট আপ করবেন?


20

আউটপুট ভেরিয়েবলটি অর্ডিনাল এমন কোনও কিছুর পূর্বাভাস দেওয়ার জন্য আমার একটি নিউরাল নেটওয়ার্ক সেট আপ আছে। আমি নীচে তিনটি সম্ভাব্য আউটপুট এ <বি <সি ব্যবহার করে বর্ণনা করব <

শ্রেণিবদ্ধ তথ্য আউটপুট করার জন্য কীভাবে নিউরাল নেটওয়ার্ক ব্যবহার করবেন এটি বেশ সুস্পষ্ট: আউটপুটটি কেবল সর্বশেষ (সাধারণত সম্পূর্ণরূপে সংযুক্ত) স্তরটির একটি সফটম্যাক্স, প্রতিটি বিভাগ অনুযায়ী এবং পূর্বাভাসিত বিভাগটিই সবচেয়ে বড় আউটপুট মান সহ (এটি হয় অনেক জনপ্রিয় মডেলের ডিফল্ট)। আমি সাধারণ মানগুলির জন্য একই সেটআপটি ব্যবহার করছি। যাইহোক, এই ক্ষেত্রে ফলাফলগুলি প্রায়শই বোঝায় না, উদাহরণস্বরূপ এ এবং সি এর নেটওয়ার্ক আউটপুট বেশি তবে বি কম: এটি সাধারণ মানগুলির জন্য প্রশংসনীয় নয়।

এর জন্য আমার একটি ধারণা রয়েছে, যা আউটপুটগুলির সাথে এ জন্য 1 0 0, বি এর জন্য 1 1 0, এবং সি এর জন্য 1 1 1 এর সাথে তুলনা করার ভিত্তিতে ক্ষতির গণনা করা হয় সঠিক প্রান্তিকের সাহায্যে পরে অন্য শ্রেণিবদ্ধ ব্যবহার করে টিউন করা যেতে পারে (যেমন বায়েশিয়ান ) তবে এটি কোনও নির্দিষ্ট বিরতি স্কেল নির্ধারণ না করে ইনপুটগুলির অর্ডার দেওয়ার প্রয়োজনীয় ধারণাটি ধারণ করেছে বলে মনে হয়।

এই সমস্যাটি সমাধানের মানক উপায় কী? এমন কোনও গবেষণা বা রেফারেন্স রয়েছে যা বিভিন্ন পদ্ধতির উপকারিতা এবং বর্ননা বর্ণনা করে?


1
"অর্ডিনাল লজিস্টিক রিগ্রেশন" এর জন্য আমি গুগলে প্রচুর আকর্ষণীয় হিট পেয়েছি যেমন এই কাগজটি
শ্যাডোটালকার 3:51

@ এসএসডেকট্রোল: আকর্ষণীয়। আমি এটা চেষ্টা করেছি; ফলাফলগুলি সর্বোচ্চ মান সহ এক আউটপুট বাছাইয়ের চেয়ে ভাল ছিল তবে অন্যান্য পদ্ধতির তুলনায় কিছুটা খারাপ (নিষ্পাপ বায়েশিয়ান ইত্যাদি)। এটি দরকারী, তবে এটি নেটওয়ার্ক প্রশিক্ষণে সহায়তা করে না, কেবলমাত্র তথ্যের পরে সামান্য ফলাফলের উন্নতি করে ... বা কমপক্ষে আমি কীভাবে এটি নেটওয়ার্ক প্রশিক্ষণে সহায়তা করতে পারি তা দেখছি না।
অ্যালেক্স প্রথম

আপনি কোন "এটি" চেষ্টা করেছিলেন? আমার একমাত্র
বক্তব্যটি

এছাড়াও আমি নিশ্চিত নই যে "আপনি উদাহরণস্বরূপ এ এবং সি এর নেটওয়ার্ক আউটপুট বেশি তবে বি কম: এটি প্রশংসনীয় নয়" বলে আপনি কী বোঝাতে চেয়েছিলেন তা আমি বুঝতে পেরেছি। আপনি বোঝাতে চেয়েছেন যে আপনি প্রচুর As এবং CS এর চেয়ে অনেকগুলি বিএস এর পূর্বাভাস দিচ্ছেন? আপনার যদি মনে করার মতো
প্রত্যক্ষ

আপনি কীভাবে "1 1 0" এর মতো আউটপুট পেতে পারেন তা আমি জানি না। আমি মনে করি এখানে পরিভাষা সম্পর্কে কিছু বিভ্রান্তি আছে। আপনি বর্ণনা ক্রমসঞ্চিত পূরণবাচক ফলাফল? যেমন একটি ক্রমযুক্ত লগইট মডেল?
শ্যাডটলকার

উত্তর:


15

Kকে

তবে কিছু লোক আপনার অর্ডিনাল ক্লাসগুলির জন্য একটি চৌকস এনকোডিং উদ্ভাবন করতে সক্ষম হয়েছেন (এই স্ট্যাকওভারফ্লো উত্তরটি দেখুন )। এটি এক ধরণের এক-গরম এনকোডিং,

  • শ্রেণি 1 [0 0 0 0 ...] হিসাবে প্রতিনিধিত্ব করা হয়

  • শ্রেণি 2 [[1 0 0 0 ...] হিসাবে প্রতিনিধিত্ব করা হয়

  • শ্রেণি 3 [1 1 0 0 ...] হিসাবে প্রতিনিধিত্ব করা হয়

P(y^<k)np.sum

এই কৌশলটি ফ্রাঙ্ক এবং হলের সংকলনের অনুরূপ , এবং আমি মনে করি এটি এটির প্রথম প্রকাশ


এই পদ্ধতির অনেক বেশি আবেদনময়ী মনে হয়। এটি উপলব্ধি করা গুরুত্বপূর্ণ যে এটিকে শ্রেণিবদ্ধকরণ সমস্যায় পরিণত করার জন্য পূর্বাভাসযুক্ত মোডগুলি ব্যবহার করা ভাল ধারণা নয়। পূর্বাভাসিত সংক্ষিপ্ত সম্ভাবনাগুলি পূর্বাভাসিত পৃথক সম্ভাব্যতায় রূপান্তরিত হতে পারে, এবং তাই চূড়ান্ত সিদ্ধান্ত নেওয়ার জন্য ইউটিলিটি ফাংশনটি ইউটিলিটিগুলি জানা যাওয়ার পরে অনেক পরে beোকানো যেতে পারে। Fharrell.com/post/classization দেখুন ।
ফ্র্যাঙ্ক হ্যারেল

1
@ রিকার্ডোক্রুজ - হুম, এটি আমার পরামর্শ মতো অনেকটা শোনাচ্ছে: "এ এর জন্য 1 0 0, বি এর জন্য 1 1 0, এবং সি এর জন্য 1 1 1"। কাজ করে জানা ভাল! এছাড়াও ওয়াও 2007 এর একটি কাগজ ছিল, এই ধারণাটি দীর্ঘকাল ধরে ছিল
অ্যালেক্স I

হ্যাঁ, আমি যখন সেই কাগজটি পেয়েছি তখন আমি নিজেকে অবাক করেছিলাম!
রিকার্ডো ক্রুজ

দ্রষ্টব্য: "এডিনাল রিগ্রেশন টু নিউরাল নেটওয়ার্ক অ্যাপ্রোচ" তে বলা হয়েছে: "... আউটপুট নোডগুলির জন্য স্বতন্ত্র সিগময়েড ফাংশনগুলি ব্যবহার করা একঘেয়ে সম্পর্ক সম্পর্কিত গ্যারান্টি দেয় না (o1> = o2> = ....> = ওকে), যা ভবিষ্যদ্বাণী করার জন্য প্রয়োজনীয় নয়, প্রয়োজনীয় "" অতএব, পূর্বাভাসের সময় "np.sum" সম্পাদন করা সর্বোত্তম পদ্ধতি নয়।
sccrthlt

1
উপরের আমার মন্তব্যে সম্পাদনা করুন: নিউরাল নেটওয়ার্কের আউটপুটগুলিতে "এনপি.সাম" সম্পাদন করা বিভ্রান্তিকর। নিম্নলিখিত পরিস্থিতি দেখা দিতে পারে যেখানে আউটপুট ভেক্টর [0 1 0 1 0]। এই ভেক্টরটির উপর একটি সংক্ষেপণ সম্পাদন করা 2 এর বর্গ পূর্বাভাস তৈরি করতে পারে, যখন বাস্তবে নিউরাল নেটওয়ার্কটি অনিশ্চিত।
scrrthlt
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.