সব মডেল কি অকেজো? কোনও সঠিক মডেল কি সম্ভব - বা দরকারী?


45

এই প্রশ্নটি একমাস ধরে আমার মনে উদ্দীপনা জাগছে। আমস্ট্যাট নিউজের ফেব্রুয়ারী ২০১ issue সংখ্যায় বার্কলে অধ্যাপক মার্ক ভ্যান ডার লানের একটি নিবন্ধ রয়েছে যা অনর্থক মডেল ব্যবহারের জন্য লোকদের তিরস্কার করে। তিনি বলেছিলেন যে মডেলগুলি ব্যবহার করে পরিসংখ্যানগুলি তখন বিজ্ঞানের চেয়ে বরং একটি শিল্প। তাঁর মতে, একজন সর্বদা "সঠিক মডেল" ব্যবহার করতে পারেন এবং এটি করতে আমাদের ব্যর্থতা "কঠোরতার অভাবকে অবদান রাখে ... আমি আশঙ্কা করি যে তথ্য বিজ্ঞানের ক্ষেত্রে আমাদের প্রতিনিধিত্ব প্রান্তিক হয়ে উঠছে।"

আমি সম্মত হই যে আমরা প্রান্তিক হওয়ার ঝুঁকিতে রয়েছি, তবে হুমকিটি সাধারণত তাদের পক্ষ থেকে আসে যারা দাবি করেন (প্রফেসর ভ্যান ডার লানের মতো মনে হচ্ছে) তারা কোনও আনুমানিক পদ্ধতি ব্যবহার করছেন না, তবে যার পদ্ধতিগুলি বাস্তবে অনেক কম সতর্কতার সাথে প্রয়োগ করা পরিসংখ্যানের মডেলগুলির চেয়ে কঠোর - এমনকি ভুল।

আমি মনে করি এটা সঠিকভাবে মনে হয় যে প্রফেস ভ্যান ডের লান বাক্সের যে-উক্ত ব্যবহারের উক্তিটি পুনরাবৃত্তি করেছিলেন তাদের পক্ষে বরং তীব্র নিন্দাজনক, "সমস্ত মডেল ভুল, তবে কিছু কার্যকর" " মূলত, আমি এটি পড়ার সাথে সাথে তিনি বলেছিলেন যে সমস্ত মডেল ভুল, এবং সমস্ত অকেজো। এখন, আমি কার বার্কলে অধ্যাপকের সাথে একমত নই? অন্যদিকে, তিনি কে এতটা অশ্বারোহীভাবে আমাদের ক্ষেত্রের একজন বাস্তব দানবীয়ের মতামত উড়িয়ে দেবেন?

বিশদ বিবরণে, ড। ভ্যান ডার লান বলেছে যে "সমস্ত মডেল ভুল আছে তা বলা সম্পূর্ণ বোকামি, ... উদাহরণস্বরূপ, একটি পরিসংখ্যানের মডেল যা কোনও অনুমান করা যায় না সর্বদা সত্য।" তিনি অব্যাহত রেখেছেন: "তবে প্রায়শই আমরা এর থেকে আরও অনেক বেশি ভাল করতে পারি: আমরা জানতে পারি যে ডেটাগুলি স্বতন্ত্র অভিন্ন পরীক্ষার ফলাফল " " খুব সংকীর্ণ এলোমেলো-নমুনা বা নিয়ন্ত্রিত পরীক্ষামূলক সেটিংস ব্যতীত কেউ কীভাবে জানতে পারে তা আমি দেখতে পাচ্ছি না। লেখক লক্ষ্যবস্তু সর্বাধিক সম্ভাব্যতা শেখার এবং তার লক্ষ্যবস্তু সর্বনিম্ন লোকসান-ভিত্তিক শিক্ষার দিকে লক্ষ্য রেখেছেন যা "মেশিন লার্নিং / ডেটা-অ্যাডাপটিভ অনুমানের ক্ষেত্রে শিল্পের অবস্থাকে সংহত করে, কার্যকারিতা অনুসারে সমস্ত অবিশ্বাস্য অগ্রগতি, সেন্সরযুক্ত ডেটা, দক্ষতা এবং অভিজ্ঞতাগত প্রক্রিয়া তত্ত্ব এখনও আনুষ্ঠানিক পরিসংখ্যান অনুমান সরবরাহ করার সময়। "n

কিছু বক্তব্যও আমি এর সাথে একমত। তিনি বলেছেন যে আমাদের আমাদের কাজ, পরিসংখ্যানবিদ হিসাবে আমাদের ভূমিকা এবং আমাদের বৈজ্ঞানিক সহযোগীদের গুরুত্ব সহকারে নেওয়া উচিত। শুনতে শুনতে! এটি অবশ্যই খারাপ খবর যখন লোকেরা নিয়মিতভাবে একটি লজিস্টিক রিগ্রেশন মডেল ব্যবহার করেন বা যা কিছু হয় তা বিজ্ঞতার সাথে বিবেচনা না করে বৈজ্ঞানিক প্রশ্নের উত্তর দেওয়ার পক্ষে পর্যাপ্ত কিনা তা ডেটা ফিট করে কিনা। এবং আমি এই ফোরামে পোস্ট করা প্রশ্নগুলিতে প্রচুর গালাগালি দেখতে পাচ্ছি। তবে আমি অক্ষত মডেলগুলির এমনকি প্যারামিট্রিকগুলিও কার্যকর এবং মূল্যবান ব্যবহার দেখতে পাই। এবং তিনি যা বলেছেন তার বিপরীতে, আমি খুব কমই "অন্য একটি লজিস্টিক রিগ্রেশন মডেল দ্বারা মৃত্যুর বিরক্ত হয়ে পড়েছি।" আমার ধারণা এই রকম।

সুতরাং এখানে আমার প্রশ্নগুলি:

  1. এমন কোনও মডেল ব্যবহার করে কোন দরকারী পরিসংখ্যান সম্পর্কিত সূচনা করা যায় যা কোনও অনুমানই করে না?
  2. লক্ষ্যবস্তু সর্বাধিক সম্ভাবনার ব্যবহারে গুরুত্বপূর্ণ, বাস্তব ডেটা সহ কোনও কেস স্টাডি রয়েছে? এই পদ্ধতিগুলি কি বহুল ব্যবহৃত এবং গ্রহণযোগ্য?
  3. সমস্ত অনর্থক মডেল কি সত্যিই অকেজো?
  4. তুচ্ছ ক্ষেত্রে বাদে আপনার কাছে সঠিক মডেল রয়েছে তা কি জানা সম্ভব ?
  5. এটি যদি খুব বেশি মতামত ভিত্তিক হয় এবং তাই অফ-টপিক হয় তবে এটি কোথায় আলোচনা করা যেতে পারে? কারণ ডঃ ভ্যান ডের লানের নিবন্ধটি নিয়ে অবশ্যই কিছু আলোচনা দরকার।

13
আমি বলব কোনও অনুমানবিহীন একটি মডেল প্রায় সর্বদা অকেজো, তবে ভ্যান ডার লান অবশ্যই তা স্বীকার না করে অনুমান করে চলেছে। আমরা সত্যিকার অর্থে অনেক কিছুই জানি না তাই তাঁর "আমরা জানতে পারি যে ডেটা n স্বতন্ত্র অভিন্ন পরীক্ষার ফলাফল" আসলে একটি অনুমান , বা কমপক্ষে আংশিকভাবে তাই। এগুলি অভিন্ন এবং স্বতন্ত্র বলে মনে করার উপযুক্ত কারণ আমাদের কাছে থাকতে পারে তবে বাস্তবে আমরা দেখতে পাই যে প্রায়শই এটি দেখা যায় যে এটি সত্যিকার অর্থে ঘটনাটি ছিল না (এবং আমরা যদি কখনও কখনও এটি আবিষ্কার করি তবে এটি অবশ্যই কখনও কখনও আবিষ্কার করা উচিত সম্ভবত সম্ভবত আরও অনেকবার )।
Glen_b

19
অনুমানবিহীন একটি মডেল হ'ল আপনার ডেটাম্যাট্রিক্সের কেবল একটি অনুলিপি। এটি সত্য, তবে চেষ্টাটির একটি অকেজো নকলও। কেউ এমন যুক্তিও দিতে পারে যে এই জাতীয় মডেলটি কোনও মডেল নয়: একটি মডেলের একটি সংজ্ঞা হল এটি বাস্তবের সরলিকরণ is সুতরাং এমন একটি মডেল যা সহজ করে না তা সংজ্ঞা দ্বারা কোনও মডেল নয়। সরলকরণের একটি উদ্দেশ্য রয়েছে: এটি আমাদের কী চলছে তা বুঝতে যথেষ্ট সহায়তা করে; এটি আমাদের একটি মূল গল্প দেয়। আপনি যদি কেন ঘটনা ঘটে তা বোঝার বিষয়ে চিন্তা না করে এবং কেবল ভবিষ্যদ্বাণী করতে চান, তবে সেই মূল গল্পটি অপ্রাসঙ্গিক। তবে কেউ কেউ ক্রিস্টাল বল তৈরি করার চেয়ে আরও বেশি কিছু করতে চায় ...
মার্টেন বুইস

8
অনুমানবিহীন একটি মডেল কোনও মডেল নয়। মডেলটি অনুমানের সংগ্রহ। এছাড়াও, যেমন @ গ্লেন_বি বলেছেন, আইডি অনুমানটি বরং শক্তিশালী এবং আমি এটির উদাহরণ যেখানে "সত্য" তা ভাবতে পারি না। এমনকি বারবার একটি মুদ্রা উল্টানোর সময়ও পারস্পরিক সম্পর্ক রয়েছে (ডায়াকোনিসের কাজ দেখুন)। আমি কেবল নিবন্ধটি স্কাইম করেছি তবে এটি অল্প দৃষ্টিতে দেখায়।
পি.বাইন্ড্রিজে

11
মঙ্গল গ্রহে যাত্রা সম্পর্কে লেখকের প্রথম উদাহরণটি বোগাস us নিউটনিয়ান মেকানিক্স (যা মহাকাশ মিশনের বিভিন্ন দিকের উপর নির্ভরশীল) একটি ভুল মডেল, তবে আমরা এটির উপর নির্ভর করি এবং এটি দরকারী।
পি.ওয়াইন্ড্রিজে

6
হ্যাঁ, নিউটনিয়ান যান্ত্রিকরা জর্জ বক্সের মূল বিষয়টির একটি দুর্দান্ত উদাহরণ।
Glen_b

উত্তর:


15

উদ্ধৃত নিবন্ধটি এই আশঙ্কার উপর ভিত্তি করে বলে মনে হচ্ছে যে পরিসংখ্যানবিদরা "বৈজ্ঞানিক দলের কোনও অন্তর্নিহিত অংশ হবেন না, এবং বিজ্ঞানীরা ব্যবহৃত পদ্ধতিগুলি সম্পর্কে স্বাভাবিকভাবেই তাদের সন্দেহ পোষণ করবেন" এবং "সহযোগীকারীরা তারা যে প্রযুক্তিবিদ হিসাবে পৌঁছাতে পারে তা হিসাবে আমাদের দেখতে পাবে" তাদের বৈজ্ঞানিক ফলাফল প্রকাশিত হয়েছে। " @ আরভিএল কর্তৃক উত্থাপিত প্রশ্নগুলির বিষয়ে আমার মন্তব্যগুলি একটি অ-পরিসংখ্যানবিজ্ঞানী জৈব বিজ্ঞানের দৃষ্টিকোণ থেকে এসেছে যিনি গত কয়েক বছর ধরে বেঞ্চ গবেষণা থেকে অনুবাদ / ক্লিনিকাল গবেষণার দিকে অগ্রসর হওয়ায় ক্রমবর্ধমান জটিল পরিসংখ্যানগত সমস্যাগুলির সাথে ঝাঁপিয়ে পড়তে বাধ্য হয়েছেন। 5 নং প্রশ্নের উত্তর এখন এই পৃষ্ঠায় একাধিক উত্তর দ্বারা পরিষ্কারভাবে দেওয়া হয়েছে; আমি সেখান থেকে বিপরীতে যেতে হবে।

4) এটি "সত্যিকারের মডেল" বিদ্যমান কিনা তা সত্য নয়, কারণ এটি করা সত্ত্বেও আমি সম্ভবত অধ্যয়ন করতে সক্ষম হব না to আলোচনার প্রসঙ্গে এই বিষয়টি বিবেচনা করুন: আমাদের কি "সমস্ত প্রাসঙ্গিক ভবিষ্যদ্বাণী" অন্তর্ভুক্ত করার দরকার আছে? এমনকি যদি আমরা "সমস্ত প্রাসঙ্গিক ভবিষ্যদ্বাণী" সনাক্ত করতে পারি তবে এখনও সেখানে স্বাধীনতার ডিগ্রি অন্তর্ভুক্ত করার জন্য পর্যাপ্ত তথ্য সংগ্রহ করার সমস্যা থাকবে তাদের সমস্ত মডেল নির্ভরযোগ্যভাবে। নিয়ন্ত্রিত পরীক্ষামূলক গবেষণায় এটি যথেষ্ট শক্ত, পূর্ববর্তী বা জনসংখ্যার অধ্যয়নকে ছেড়ে দিন। কিছু ধরণের "বিগ ডেটা" এর ক্ষেত্রে এটি সমস্যা কম তবে এটি আমার এবং আমার সহকর্মীদের জন্য। @ আকসাকাল সেই পৃষ্ঠায় একটি উত্তর রেখেছিলেন বলে সর্বদা "এটি সম্পর্কে স্মার্ট হতে হবে" দরকার থাকবে ।

প্রফেসর ভ্যান ডের লানের প্রতি ন্যায়সঙ্গতভাবে, তিনি উদ্ধৃত নিবন্ধে "সঠিক" শব্দটি ব্যবহার করেন না, অন্তত লিঙ্কটি থেকে লাইনটিতে বর্তমানে উপলব্ধ সংস্করণে । তিনি "বাস্তববাদী" মডেল সম্পর্কে কথা বলেন। এটি একটি গুরুত্বপূর্ণ পার্থক্য।

তারপরে আবারও, অধ্যাপক ভ্যান ডার লান অভিযোগ করেছেন যে "পরিসংখ্যান এখন একটি শিল্প, বিজ্ঞান নয়", যা তার পক্ষে কিছুটা অন্যায় নয়। তিনি সহযোগীদের সাথে কাজ করার প্রস্তাবটি বিবেচনা করুন:

... আমাদের ডেটা, একজন পরিসংখ্যানবিদ হিসাবে আমাদের পরিচয় এবং আমাদের বৈজ্ঞানিক সহযোগীদের গুরুত্ব সহকারে নেওয়া উচিত। কীভাবে ডেটা তৈরি করা হয়েছিল সে সম্পর্কে আমাদের যথাসম্ভব শেখা দরকার। একবার আমরা একটি বাস্তবসম্মত পরিসংখ্যানের মডেল উত্থাপন করার পরে, আমাদের স্বীকৃতিদাতাদের কাছ থেকে অনুমান করা দরকার যে অনুমানটি কীভাবে তাদের আগ্রহের বৈজ্ঞানিক প্রশ্নের উত্তরটির উত্তরের প্রতিনিধিত্ব করে? এই কাজ অনেক। এটা কঠিন. এটির জন্য পরিসংখ্যানতত্ত্বের যুক্তিসঙ্গত বোধ প্রয়োজন। এটি একটি যোগ্য একাডেমিক উদ্যোগ!

বাস্তব-বিশ্ব সমস্যার ক্ষেত্রে এই বৈজ্ঞানিক নীতিগুলি প্রয়োগ করার জন্য মনে হয় যে কোনও বৈজ্ঞানিক উদ্যোগের সাথে কাজ করার মতো "আর্ট" একটি ভাল ব্যবসায়ের প্রয়োজন। আমি কয়েকজন সফল বিজ্ঞানীকে জানি, আরও অনেকে যারা ঠিকঠাক করেছেন, এবং কিছু ব্যর্থতা। আমার অভিজ্ঞতায় পার্থক্যটি বৈজ্ঞানিক লক্ষ্য অর্জনের "শিল্প" মধ্যে বলে মনে হচ্ছে। ফলাফলটি বিজ্ঞান হতে পারে তবে প্রক্রিয়াটি আরও কিছু।

3) আবার, ইস্যুর অংশটি পরিভাষা; প্রফেসর ভ্যান ডার লান যে "সঠিক" মডেল এবং "বাস্তববাদী" মডেলগুলির সন্ধান করেছেন তার মধ্যে একটি বড় পার্থক্য রয়েছে। তাঁর দাবি অনেক স্ট্যান্ডার্ড স্ট্যাটিস্টিকাল মডেল "অবিশ্বাস্য" ফলাফল আনতে যথেষ্ট অবাস্তব। বিশেষত: "সৎ পরিসংখ্যানের মডেলটিতে সংজ্ঞায়িত প্রাক্কলনের অনুমানকগুলি প্যারামিট্রিক মডেলের উপর ভিত্তি করে সংবেদনশীলভাবে অনুমান করা যায় না।" এগুলি পরীক্ষার বিষয়, মতামত নয়।

তার নিজের কাজ স্পষ্টভাবে স্বীকৃতি দিয়েছে যে সঠিক মডেলগুলি সর্বদা সম্ভব হয় না। অনুপস্থিত ফলাফলের ভেরিয়েবলের প্রসঙ্গে লক্ষ্যবস্তু সর্বাধিক সম্ভাবনা অনুমানকারী (টিএমএলই) -এ এই পান্ডুলিপিটি বিবেচনা করুন । এটি এলোমেলোভাবে অনুপস্থিত ফলাফলগুলির অনুমানের উপর ভিত্তি করে তৈরি, যা বাস্তবে কখনও পরীক্ষণযোগ্য হতে পারে না: "... আমরা ধরে নিই যে নিখোঁজতা ... এবং ফলাফলের মধ্যে সম্পর্কের কোনও অনিরাপদ বিভ্রান্তি নেই।" এটি "সমস্ত প্রাসঙ্গিক ভবিষ্যদ্বাণীকারীদের" অন্তর্ভুক্ত করার ক্ষেত্রে অসুবিধার আরেকটি উদাহরণ। তবে টিএমএলএর একটি শক্তি হ'ল এটি মনে হয় যে এই প্রসঙ্গে লক্ষ্য পরামিতিটি অনুমান করার জন্য ডেটাতে পর্যাপ্ত সমর্থনের "পজিটিভিটি অনুমান" মূল্যায়নে সহায়তা করে। লক্ষ্যটি হ'ল ডেটাগুলির একটি বাস্তব মডেলের কাছে যতটা সম্ভব come

2) টিএমএলই ক্রস ভ্যালিডেটের বিষয়ে আগে আলোচনা করা হয়েছিল । আমি বাস্তব ডেটাতে ব্যাপক ব্যবহার সম্পর্কে সচেতন নই। গুগল স্কলার আজ প্রাথমিক প্রতিবেদন বলে মনে হচ্ছে 258 এর উদ্ধৃতি দেখিয়েছে , তবে প্রথম নজরে কোনওটিই রিয়েল-ওয়ার্ল্ডের বড় ডেটা সেট হিসাবে উপস্থিত বলে মনে হয়নি। সংশ্লিষ্ট আর প্যাকেজ পরিসংখ্যানগত জার্নাল সফটওয়্যার নিবন্ধ শুধুমাত্র 27 Google Scholar Citations আজ দেখায়। তবে এটি টিএমএলইয়ের মান সম্পর্কে প্রমাণ হিসাবে নেওয়া উচিত নয়। আগ্রহের প্রকৃত "প্রাক্কলন" এর নির্ভরযোগ্য নিরপেক্ষ অনুমান প্রাপ্তির উপর এর ফোকাস, প্রায়শই স্ট্যান্ডার্ড স্টাটিকাল মডেলগুলি থেকে প্রাপ্ত প্লাগ-ইন অনুমানগুলির একটি সমস্যা, এটি সম্ভাব্য মূল্যবান বলে মনে হয় না।

1) বিবৃতি: "একটি পরিসংখ্যানের মডেল যা কোনও অনুমান করা যায় না সবসময় সত্য" মনে হয় স্ট্র ম্যান, টোটোলজি হিসাবে লক্ষ্য করা হয়েছিল। ডেটা হ'ল ডেটা। আমি ধরে নিয়েছি যে মহাবিশ্বের আইন আছে যা দিনে দিনে স্থির থাকে। টিএমএল পদ্ধতিটি সম্ভবত অনুসন্ধানের স্থানে উত্তেজকতা সম্পর্কে অনুমানগুলি ধারণ করে এবং একটি নির্দিষ্ট প্রসঙ্গে এর প্রয়োগের উপরে উল্লিখিত হিসাবে অতিরিক্ত অনুমানের প্রয়োজন হতে পারে।

এমনকি প্রফেসর ভ্যান ডের লানও একমত হবেন যে কিছু অনুমান প্রয়োজনীয়। আমার অনুভূতিটি হ'ল তিনি অনুমানের সংখ্যা হ্রাস করতে এবং অবাস্তববাদীদের এড়াতে চান। যে দাবিতে সত্যই প্যারামেট্রিক মডেলগুলি ছেড়ে দেওয়ার প্রয়োজন আছে কিনা, এটি গুরুত্বপূর্ণ প্রশ্ন।


খুব সুন্দর উত্তর। টার্গেটড লার্নিং বইটি আরও শেখার জন্য ভাল জায়গা। তত্ত্ব ছাড়াও এতে কিছু কেস স্টাডি রয়েছে।
এনআরএইচ

12

সম্ভবত আমি বিষয়টি মিস করেছি, তবে আমি মনে করি আপনাকে কিছুটা পিছিয়ে যেতে হবে।

আমি মনে করি যে তাঁর বক্তব্য হ'ল সহজে অ্যাক্সেসযোগ্য সরঞ্জামগুলির অপব্যবহার এবং কোনও অজানা। এটি একটি সাধারণ টি-টেস্টের জন্যও সত্য: আপনার ডেটা দিয়ে কেবল অ্যালগরিদম খাওয়াবেন, একটি পি <0.05 পেয়ে এবং ভাবছেন যে আপনার থিসিসটি সত্য। সম্পূর্ণ ভুল. আপনার অবশ্যই অবশ্যই আপনার ডেটা সম্পর্কে আরও জানতে হবে।

আরও পিছনে পা বাড়ানো: হুবহু মডেলের মতো এখানে কিছুই নেই ( পদার্থবিদ এখানে)। তবে কিছু আমাদের পরিমাপের সাথে খুব ভালভাবে একমত হয়। একমাত্র সঠিক জিনিস গণিত। যার বাস্তবতা বা এর মডেলগুলির সাথে কোনও সম্পর্ক নেই । অন্য সমস্ত কিছু (এবং বাস্তবতার প্রতিটি মডেল) "ভুল" (যতবার উদ্ধৃত হয়)।

তবে "ভুল" এবং দরকারী বলতে কী বোঝায়? নিজে বিচার করুন:

আমাদের বর্তমান সমস্ত হাই-টেক (কম্পিউটার, রকেট, তেজস্ক্রিয়তা ইত্যাদি) এই ভুল মডেলের উপর ভিত্তি করে। এমনকি "ভুল" মডেলগুলির সাথে "ভুল" সিমুলেশন দ্বারা গণনাও করা যেতে পারে।
-> "ভুল" এর পরিবর্তে "দরকারী" তে আরও ফোকাস করুন;)

আপনার প্রশ্নের আরও স্পষ্টত:

  1. জানো না, দুঃখিত!
  2. হ্যাঁ. একটি উদাহরণ: কণা-পদার্থবিজ্ঞানে, আপনি নির্দিষ্ট কণা (ইলেক্ট্রন, প্রোটন ইত্যাদি বলুন) সনাক্ত করতে চান। প্রতিটি কণা ডিটেক্টরটিতে একটি বৈশিষ্ট্যযুক্ত ট্রেস ছেড়ে যায় (এবং সেইজন্য ডেটা), তবে একই কণার জন্য (তার প্রকৃতি অনুসারে) পরিবর্তিত হয়। আজ, বেশিরভাগ লোকেরা এই লক্ষ্য অর্জনের জন্য মেশিন-লার্নিং ব্যবহার করে (এটি একটি বিশাল সরলকরণ ছিল, তবে এটি এর চেয়ে বেশ সুন্দর) এবং হাতের পরিসংখ্যান দ্বারা এটি করার তুলনায় 20% -50% এর দক্ষতা বৃদ্ধি পেয়েছে ।
  3. আসলেই কেউ দাবি করেনি! ভুল উপসংহার করবেন না! (ক: সমস্ত মডেল নিখরচায় এবং বি: কিছু কার্যকর। জিনিসগুলিকে বিভ্রান্ত করবেন না)
  4. সঠিক মডেল হিসাবে কিছুই নেই ( গণিত ব্যতীত , তবে সত্যিকারের পরিসংখ্যানগুলিতে একেবারে সরলরেখায় পয়েন্ট থাকা এবং এর মধ্য দিয়ে একটি লাইনের "ফিটিং" সঠিক হতে পারে ... তবে এটি একটি উদ্বেগজনক বিশেষ ঘটনা যা কখনও ঘটে না) ।
  5. জানেন না :) তবে আইএমএইচওও আমি এটি "একটি শিশু হিসাবে কেবল প্রত্যেক শিশু এটি ব্যবহার করতে পারে, কারণ প্রত্যেকের উচিত নয়" এবং এটিকে অন্ধভাবে ব্যবহার করা উচিত নয় see

আমি আপনার বিষয়গুলি বিবেচনা করব, তবে (3) এবং (4) এ, আমি আপনাকে ভ্যান ডার লানের নিবন্ধটি পাশাপাশি আমার প্রশ্নের দিকে নজর দেওয়ার পরামর্শ দিচ্ছি, কারণ নিবন্ধটি বেশ স্পষ্টভাবে বলেছে যে অনর্থক মডেলগুলির জন্য তার কোনও ব্যবহার নেই, এবং বারবার "সঠিক মডেল" বোঝায়। সুতরাং হ্যাঁ, আমি বলতে চাই যে কেউ সত্যই তা বলেছে। মডেল সম্পর্কে আপনি যা বলেছেন তার পাশাপাশি আমি পদ্ধতিগুলির যান্ত্রিক প্রয়োগের সাথে আমি অনেকটা একমত; এবং তাই আমি মনে করি না যে এটি আপনিই আমাকে পিছনে ফিরে যেতে বলছেন।
rvl

সবার জন্যে হ্যা. এবং বেশিরভাগ ক্ষেত্রে, আমি তাকে বোঝাতে চেয়েছিলাম, নিশ্চিতভাবে;) আমি মনে করি, আমি যা উল্লেখ করি নি, তাত্ত্বিক (গাণিতিক) মডেলগুলি তৈরি করতে আপনার অবশ্যই অবশ্যই "নির্ভুল" মডেলগুলির প্রয়োজন। সুতরাং আরও ভাল মডেল এবং পরিসংখ্যান সরঞ্জামগুলির "উদ্ভাবন" করার জন্য, আপনাকে বেস হিসাবে ডিস্ট্রিমেন্টিক (বা সঠিক) মডেলগুলি দরকার। এমনকি ময়দার লক্ষ্যবস্তু শেখারও এই অর্থে "অযৌক্তিক" হতে হবে না বলে আমি মনে করি।
Mayou36

6

ইকোন-তে 'ডেটা তৈরির প্রক্রিয়া' বোঝার বিষয়ে অনেক কিছুই বলা হয়। আমি নিশ্চিত 'সঠিক' মডেল বলতে যা বোঝায় তা নিশ্চিত নই, তবে ইকনে এটি 'সঠিকভাবে নির্দিষ্ট' মডেলের মতোই হতে পারে।

অবশ্যই, আপনি এমন কোনও প্রক্রিয়া সম্পর্কে জানতে চান যা কোনও মডেল চেষ্টা করার আগে আপনি যতটা ডেটা তৈরি করতে পেরেছিলেন, তাই না? আমি মনে করি অসুবিধাটি এসেছে ক) আসল ডিজিপি সম্পর্কে আমাদের কোনও ধারণা নেই এবং খ) আমরা যদি সত্যিকারের ডিজিপিকে জানতাম তবে এটি মডেল এবং অনুমানের জন্য জটিল হতে পারে (বহু কারণে for)

সুতরাং আপনি বিষয়গুলি সহজ করার জন্য এবং অনুমানের প্রয়োজনীয়তা হ্রাস করার জন্য অনুমানগুলি করেন। আপনার অনুমানগুলি ঠিক সঠিক কিনা আপনি কি জানতে পারবেন? আপনি তাদের পক্ষে প্রমাণ পেতে পারেন, তবে আইএমও কিছু ক্ষেত্রে সত্যই নিশ্চিত হওয়া শক্ত।

বাস্তব প্রতিষ্ঠানের পাশাপাশি তাত্ত্বিকতার উভয় ক্ষেত্রেই আমাকে এগুলি ফিল্টার করতে হবে। যদি আপনি কোনও তত্ত্বের সাথে সামঞ্জস্যপূর্ণ হন এবং সেই অনুমানটি আপনাকে আরও ভাল অনুমানের কার্যকারিতা (দক্ষতা, নির্ভুলতা, ধারাবাহিকতা, যাই হোক না কেন) কিনে তবে আমি এটিকে এড়ানোর কোনও কারণ দেখতে পাচ্ছি না, এমনকি এটি মডেলটিকে 'অনর্থক' করে তোলে।

সত্যি বলতে গেলে, আমি মনে করি নিবন্ধটি যারা ডেটা নিয়ে কাজ করে তাদের পুরো মডেলিং প্রক্রিয়া সম্পর্কে আরও কঠোরভাবে চিন্তা করতে উত্সাহিত করে। এটা স্পষ্ট যে ভ্যান ডের লান তার কাজগুলিতে অনুমান করে । ইন এই উদাহরণে , আসলে, Laan ডের ভ্যান একটি সঠিক মডেল জন্য কোনো উদ্বেগের বর্জন করা মনে হয়, এবং এর পরিবর্তে সর্বাধিক কর্মক্ষমতা পদ্ধতি একটি Mish-ম্যাশ ব্যবহার করে। এটি আমাকে আরও আত্মবিশ্বাসিত করে তোলে যে তিনি সমস্যাটিকে বোঝার কঠিন কাজ থেকে বাঁচার জন্য লোকজনকে এড়াতে বাধা দেওয়ার অভিপ্রায় নিয়ে বাক্সের উক্তিটি উত্থাপন করেছিলেন।

আসুন এটির মুখোমুখি হোন, পরিসংখ্যানের মডেলগুলির অপব্যবহার এবং অপব্যবহারে বিশ্ব ছড়িয়ে পড়ে। লোকেরা কীভাবে তারা কীভাবে জানে তা অন্ধভাবে প্রয়োগ করে এবং আরও খারাপ, অন্যরা প্রায়শই ফলাফলগুলি সবচেয়ে আকাঙ্ক্ষিত উপায়ে ব্যাখ্যা করে। এই নিবন্ধটি সাবধান হওয়ার জন্য একটি ভাল অনুস্মারক, তবে আমার মনে হয় না যে আমাদের এটিকে চূড়ান্ত দিকে নেওয়া উচিত।

আপনার প্রশ্নের জন্য উপরের প্রভাবগুলি:

  1. আমি এই পোস্টে অন্যদের সাথে একমত যেগুলি একটি মডেলকে অনুমানের সেট হিসাবে সংজ্ঞায়িত করেছে। সেই সংজ্ঞা সহ, কোনও অনুমানবিহীন একটি মডেল আসলেই একটি মডেল নয়। এমনকি অনুসন্ধানের ডেটা বিশ্লেষণ (অর্থাত্ মডেল ফ্রি) অনুমানের প্রয়োজন। উদাহরণস্বরূপ, বেশিরভাগ লোকেরা ধরে নেন যে ডেটা সঠিকভাবে পরিমাপ করা হয়েছে।
  2. আমি প্রতি সিএমএল সম্পর্কে জানি না, তবে অর্থনীতিতে এমন অনেক নিবন্ধ রয়েছে যা কোনও অনোধিত পাল্টা প্রতিবেদনের নমুনায় কার্যকারণ প্রভাব সম্পর্কে অনুমানের একই অন্তর্নিহিত দর্শন ব্যবহার করে। তবে এই ক্ষেত্রে, চিকিত্সা গ্রহণ করা মডেলের অন্যান্য পরিবর্তনশীলগুলির চেয়ে আলাদা নয় (টিএমএলএর বিপরীতে) এবং তাই অর্থনীতিবিদরা মডেলিংয়ের ব্যাপক ব্যবহার করেন। যেমন কাঠামোগত মডেলের জন্য কয়েক কেস স্টাডিজ, আছে এই এক যেখানে লেখক একটি কোম্পানী প্রতীত তাদের মডেল বাস্তবায়ন করতে এবং ভালো ফলাফল পাওয়া যায়নি।
  3. আমি মনে করি সমস্ত মডেল অক্ষম, তবে আবার এই শব্দটি কিছুটা অস্পষ্ট। আইএমও, এটি বক্সের উদ্ধৃতিটির মূল অংশ। আমি বাক্স সম্পর্কে আমার বোঝাপড়াটি এইভাবে পুনরায় ফিরিয়ে আনব: 'কোনও মডেল বাস্তবতার সঠিক মন্ত্রটি ক্যাপচার করতে পারে না, তবে কিছু মডেল আগ্রহের পরিবর্তনশীল রূপ ধারণ করে, সেই অর্থে আপনার পক্ষে তাদের ব্যবহার থাকতে পারে' '
  4. আমি উপরে এটি সম্বোধন। সংক্ষেপে, আমি এটি মনে করি না।
  5. আমি নিশ্চিত নই. আমি এখনই এটি পছন্দ করি।

5

পয়েন্ট 3 সম্বোধনের জন্য, উত্তরটি অবশ্যই স্পষ্টভাবে নয়। প্রতিটি মানব উদ্যোগের প্রায় এক পর্যায়ে সরলীকৃত মডেলের উপর ভিত্তি করে: রান্না করা, বিল্ডিং, আন্তঃব্যক্তিক সম্পর্কগুলি সমস্ত কিছুকেই মানুষের কিছু প্রকারের ডেটা + অনুমানের উপর অভিনয় করে। কেউ কখনও এমন কোনও মডেল তৈরি করেনি যা তারা ব্যবহারের ইচ্ছা করে নি। অন্যথায় দাবি করা নিষ্ক্রিয় পেডেন্ট্রি।

এটি আরও বেশি আকর্ষণীয় এবং আলোকসজ্জাজনক, এবং জিজ্ঞাসা করা দরকারী যে কখন অনর্থক মডেলগুলি কার্যকর হয় না , কেন তারা তাদের কার্যকরীতায় ব্যর্থ হয় এবং যখন আমরা এমন মডেলগুলির উপর নির্ভর করি যা কার্যকর হয় না। যে কোনও গবেষক, একাডেমিয়া বা শিল্পের ক্ষেত্রে, সেই প্রশ্নটি বুদ্ধিমান এবং প্রায়শই জিজ্ঞাসা করতে হয়।

আমি মনে করি না যে প্রশ্নের উত্তর সাধারণভাবে দেওয়া যেতে পারে তবে ত্রুটি প্রচারের নীতিগুলি উত্তরটি অবহিত করবে। অকৃত্রিম মডেলগুলি যখন তাদের পূর্বাভাসের আচরণটি বাস্তব বিশ্বে আচরণ প্রতিফলিত করতে ব্যর্থ হয় তখন ভেঙে যায়। কোনও সিস্টেমের মাধ্যমে ত্রুটিগুলি কীভাবে প্রচার করে তা বোঝার ফলে সিস্টেমের মডেলিংয়ের ক্ষেত্রে কতটা নির্ভুলতা প্রয়োজন তা বুঝতে সহায়তা করতে পারে।

উদাহরণস্বরূপ, অনমনীয় গোলকটি সাধারণত বেসবলের জন্য খারাপ মডেল নয়। তবে আপনি যখন ক্যাচারের মিট ডিজাইন করছেন, এই মডেলটি আপনাকে ব্যর্থ করবে এবং আপনাকে ভুল জিনিসটি ডিজাইনের জন্য পরিচালিত করবে। বেসবল পদার্থবিজ্ঞান সম্পর্কে আপনার সরলকরণ অনুমানগুলি আপনার বেসবল-মিট সিস্টেমের মাধ্যমে প্রচার করে এবং আপনাকে ভুল উপসংহারে পৌঁছাতে পরিচালিত করে।


5

1) এমন কোনও মডেল ব্যবহার করে কোন দরকারী পরিসংখ্যান সম্পর্কিত তথ্য তৈরি করা যেতে পারে যা কোনও অনুমানই করে না?

একটি মডেল হ'ল সংজ্ঞায়িতভাবে আপনি যা পর্যবেক্ষণ করছেন তার একটি সাধারণীকরণ যা নির্দিষ্ট কারণগুলির দ্বারা ক্যাপচার করা যেতে পারে যা ঘুরেফিরে আপনি যে ইভেন্টটি পর্যবেক্ষণ করছেন তার ব্যাখ্যা এবং অনুমান করতে পারে। প্রদত্ত যে সমস্ত সাধারণীকরণ অ্যালগরিদমের কিছু ধরণের অন্তর্নিহিত অনুমান রয়েছে। আমি নিশ্চিত নই যে আপনার কাছে যদি কোনও অনুমান না থাকে তবে কোনও মডেল কী রেখে যায়। আমার মনে হয় আপনি মূল ডেটা এবং কোনও মডেল রেখে গেছেন।

2) লক্ষ্যবস্তু সর্বাধিক সম্ভাবনার ব্যবহারে গুরুত্বপূর্ণ, বাস্তব তথ্য সহ কোনও কেস স্টাডি রয়েছে? এই পদ্ধতিগুলি কি বহুল ব্যবহৃত এবং গ্রহণযোগ্য?

আমি জানি না। সর্বাধিক সম্ভাবনা সর্বদা ব্যবহৃত হয়। লজিট মডেলগুলি সেইসাথে অন্যান্য অনেক মডেলের উপর ভিত্তি করে। আপনি স্ট্যান্ডার্ড ওএলএস-তে সম্পূর্ণ পৃথক নন যেখানে আপনি অবশিষ্টাংশের বর্গক্ষেত্রের যোগফল হ্রাসের দিকে মনোনিবেশ করেন। আমি নিশ্চিত নই যে সর্বাধিক সম্ভাব্যতা কী। এবং, এটি কীভাবে traditionalতিহ্যগত সর্বাধিক সম্ভাবনা থেকে পৃথক।

3) সমস্ত অনর্থক মডেল কি সত্যিই অকেজো?

একেবারে না. নিখরচায় মডেলগুলি খুব কার্যকর হতে পারে। প্রথমত, তারা কোনও ঘটনাটি আরও ভালভাবে বুঝতে বা ব্যাখ্যা করতে অবদান রাখে। এটি কিছু জন্য গণনা করা উচিত। দ্বিতীয়ত, কোনও অনুমানের আশেপাশের অনিশ্চয়তা ক্যাপচার করতে তারা প্রাসঙ্গিক কনফিডেন্স ইন্টারভালের সাথে বংশদ্ভুত অনুমান এবং পূর্বাভাস সরবরাহ করতে পারে। এটি আপনি যা অধ্যয়ন করছেন তা প্রচুর তথ্য সরবরাহ করতে পারে।

"অযৌক্তিক" ইস্যুটি পার্সিমনি এবং অতিরিক্ত পোশাকের মধ্যে উত্তেজনার বিষয়টিও উত্থাপন করে। আপনার 5 টি ভেরিয়েবলের সাথে একটি সাধারণ মডেল থাকতে পারে যা "অক্ষয়" তবে নির্ভরশীল ভেরিয়েবলের সামগ্রিক প্রবণতা ক্যাপচার এবং ব্যাখ্যা করার জন্য এটি বেশ ভাল কাজ করে। আপনার 10 টি ভেরিয়েবলের সাথে আরও জটিল মডেল থাকতে পারে যা প্রথমটির চেয়ে "আরও সঠিক" (উচ্চতর অ্যাডজাস্টেড আর স্কোয়ার, নিম্ন স্ট্যান্ডার্ড ত্রুটি ইত্যাদি)। তবুও, আপনি যখন একটি হোল্ড আউট নমুনা ব্যবহার করে পরীক্ষা করেন তখন এই দ্বিতীয় জটিল মডেলটি সত্যিই ক্রাশ হতে পারে। এবং, এই জাতীয় ক্ষেত্রে সম্ভবত "অপ্রয়োজনীয়" মডেলটি হোল্ড আউট নমুনায় আসলে আরও অনেক ভাল সম্পাদন করে। এটি একনোমেট্রিক্সে আক্ষরিকভাবে সর্বদা ঘটে এবং আমি অন্যান্য অনেক সামাজিক বিজ্ঞানে সন্দেহ করি। "সঠিক" মডেলগুলি থেকে সাবধান থাকুন।

৪) তুচ্ছ ক্ষেত্রে বাদে আপনার কাছে সঠিক মডেল রয়েছে তা কী জানা সম্ভব?

আপনার কাছে সঠিক মডেল আছে তা জানা সম্ভব নয়। তবে, আপনার একটি সুন্দর মডেল রয়েছে তা জানা সম্ভব। তথ্য মাপদণ্ডের পদক্ষেপগুলি (এআইসিসি, বিআইসিসি, এসআইসি) আপনাকে বিভিন্ন মডেলের তুলনামূলক পারফরম্যান্সের তুলনা করতে এবং বেঞ্চমার্ক করার অনুমতি দিতে অনেক তথ্য দিতে পারে। এছাড়াও, লিঙ্ক পরীক্ষাও সে ক্ষেত্রে সহায়তা করতে পারে।

5) যদি এটি খুব মতামত ভিত্তিক হয় এবং তাই অফ-টপিক হয় তবে এটি কোথায় আলোচনা করা যেতে পারে? কারণ ডঃ ভ্যান ডের লানের নিবন্ধটি নিয়ে অবশ্যই কিছু আলোচনা দরকার।

আমি অন্য যে কোনও জায়গাতেই এই সমস্যাটি নিয়ে আলোচনা করার পক্ষে এটি উপযুক্ত ফোরাম হিসাবে বিবেচনা করব। এটি আমাদের বেশিরভাগের জন্য একটি আকর্ষণীয় বিষয়।


5

(আমি নিবন্ধে "সঠিক মডেল" শব্দটি দেখতে পাচ্ছি না (যদিও উপরে বর্ণিত))

1) এমন কোনও মডেল ব্যবহার করে কোন দরকারী পরিসংখ্যান সম্পর্কিত তথ্য তৈরি করা যেতে পারে যা কোনও অনুমানই করে না?

আপনি কোথাও শুরু করতে হবে। যদি আপনার কাছে যা কিছু থাকে (কিছুই না) তবে এটি একটি সূচনা পয়েন্ট হতে পারে।

2) লক্ষ্যবস্তু সর্বাধিক সম্ভাবনার ব্যবহারে গুরুত্বপূর্ণ, বাস্তব তথ্য সহ কোনও কেস স্টাডি রয়েছে? এই পদ্ধতিগুলি কি বহুল ব্যবহৃত এবং গ্রহণযোগ্য?

দ্বিতীয় প্রশ্নের উত্তর দেওয়ার জন্য, লক্ষ্যবস্তু সর্বাধিক সম্ভাবনাটি arxiv.org তে 93/1143281 (00 .008%) পেপারে উঠে আসে। সুতরাং, কোনওটিই সম্ভবত এটির জন্য ভাল অনুমান (অনুমান ছাড়াই) নয়।

3) সমস্ত অনর্থক মডেল কি সত্যিই অকেজো?

না। কখনও কখনও আপনি কেবল কোনও মডেলের একটি দিক সম্পর্কে যত্নশীল হন। সেই দিকটি খুব ভাল হতে পারে এবং বাকীটি খুব নিখুঁত হতে পারে ।

৪) তুচ্ছ ক্ষেত্রে বাদে আপনার কাছে সঠিক মডেল রয়েছে তা কী জানা সম্ভব?

সেরা মডেল মডেল যে শ্রেষ্ঠ আপনার প্রশ্নের উত্তর। এর অর্থ হতে পারে কিছু ফেলে রাখা। আপনি যা এড়াতে চান, যতটা সম্ভব আপনি পারেন, অনুমান লঙ্ঘন।

5) শুভ ঘন্টা । এবং পানীয় বুট কম সস্তা!

আমি "নির্ভুল" শব্দটি কিছুটা আনসেটলিংয়ের ব্যবহার করে দেখতে পাই। এটি খুব পরিসংখ্যানবিদ মত কথা নয়। Inexactitude? প্রকরণ? ধন্যবাদ জিডি! সে কারণেই আমরা সবাই এখানে আছি। আমি মনে করি "সমস্ত মডেলগুলি ভুল ..." বাক্যাংশটি ঠিক আছে, তবে কেবল সঠিক সংস্থায়। পরিসংখ্যানবিদরা এর অর্থ কী তা বুঝতে পেরেছেন, তবে আরও কয়েকজন।


"সঠিক মডেল" শব্দটি সম্পর্কে ভাল বক্তব্য। তিনি "সত্য" এবং "প্রকৃত" মডেলগুলি সম্পর্কে সমান যা কিছু বলেছেন, বিশেষত নিবন্ধের প্রসঙ্গ এবং স্বর দেওয়া হলেও আপনি ঠিক বলেছেন, উদ্ধৃতিটি "সঠিক" নয় (পাং উদ্দেশ্যযুক্ত)।
এসকিউএল সার্ভারস্টেভ

আমার খারাপ। আমার ওকে সঠিকভাবে উদ্ধৃত করা উচিত ছিল।
rvl

আমি অনুভব করি যে সত্য বা আসল মডেলটি অর্জনের চেষ্টা করা অনুশীলনের দিকটি বাদ দেয়। আমি মনে করি তিনি আসলে যা আলোচনা করার চেষ্টা করছেন তা হ'ল খারাপ মডেল।
মন্ডটা

হ্যাঁ নিবন্ধটি অনেকগুলি ভাল বিষয়বস্তু তোলে, তবে তিনি "সমস্ত মডেলগুলি ভুল বলে মন্তব্য করা সম্পূর্ণ বোকামি" এর মতো প্রচুর চরম মন্তব্যকে ছেদ করেন, যখন তারা আসলে কিছুটা হলেও ভুল ছিল। অন্যথায় বলা বাজে কথা is তিনি অবশ্যই চূড়ান্ত অবস্থান অর্জন করছেন। আরভিএল এটি আনার এবং তাকে কল করার পক্ষে পুরোপুরি সঠিক ছিল (রাইলের উক্তিটি ঘামবেন না, গুরুত্বপূর্ণ বিষয়টি হ'ল আপনি অর্থটি সঠিকভাবে ধারণ করেছেন)।
এসকিউএল সার্ভারস্টিভ

4

বলেছিলেন নিবন্ধটি আমার কাছে সত্যনিষ্ঠ তবে রাজনৈতিক নিবন্ধ, আন্তরিক পোলামিক বলে মনে হচ্ছে । সেই হিসাবে এটিতে প্রচুর আবেগময় প্যাসেজ রয়েছে যা বৈজ্ঞানিক অজ্ঞানহীন, তবে তা সত্ত্বেও গুরুত্বপূর্ণ বিষয়ে দরকারী কথোপকথন এবং আলোচনা আলোচনার ক্ষেত্রে কার্যকর হতে পারে।

এখানে অনেক ভাল উত্তর রয়েছে তাই আমাকে নিবন্ধের কয়েকটি লাইনটি কেবল উদ্ধৃত করে দেখান যে প্রফেসর লান অবশ্যই তাঁর কাজের মধ্যে কোনও ধরণের "সঠিক মডেল" ব্যবহার করছেন না (এবং যাইহোক, কে বলে যে "সঠিক" মডেল "হ'ল একটি ধারণাটি প্রকৃত ডেটা উত্পন্নকরণ ব্যবস্থার সমতুল্য?)

উদ্ধৃতি (আমার জোর সাহসী)

"একবার আমরা একটি বাস্তবসম্মত পরিসংখ্যানের মডেল উত্থাপিত হয়ে গেলে , আমাদের সহযোগীদের কাছ থেকে আমাদের অনুমান করা দরকার যে অনুমানের ফলে তাদের আগ্রহের বৈজ্ঞানিক প্রশ্নের উত্তরটি সবচেয়ে ভাল উপস্থাপন করে। "

মন্তব্য: "বাস্তববাদী "টিকে" নির্ভুল "থেকে যেমন মুছে ফেলা হয়েছে ঠিক তেমনি মঙ্গল গ্রহটি পৃথিবী থেকে রয়েছে। তারা উভয়ই সূর্যের কক্ষপথে প্রদক্ষিণ করে, তাই কিছু উদ্দেশ্যে কোনও গ্রহটি বেছে নেয় তা বিবেচনা করে না। অন্যান্য উদ্দেশ্যে, এটি গুরুত্বপূর্ণ। এছাড়াও "সেরা" একটি আপেক্ষিক ধারণা। "ঠিক" হয় না।

"একটি estimand একটি ইন সংজ্ঞায়িত Estimators সৎ পরিসংখ্যান মডেল করা যাবে না বুদ্ধিমানের মতো স্থিতিমাপ মডেলের উপর ভিত্তি আনুমানিক ...

মন্তব্য: সত্যতা সত্যই সেরা নীতি, তবে এটি অবশ্যই "নির্ভুল" হওয়ার নিশ্চয়তা দেয় না। এছাড়াও, যদি কেউ "নির্ভুল মডেল" ব্যবহার করে তবে "বুদ্ধিমান অনুমান" খুব দুর্বল ফলাফল বলে মনে হয়।

" এই কঠিন অনুমানের সমস্যাগুলি সর্বোত্তমভাবে সমাধান করার প্রতিক্রিয়ায় আমরা একটি সাধারণ পরিসংখ্যানিক পদ্ধতির বিকাশ করেছি ... "

মন্তব্য: ঠিক আছে। আমরা "যথাসাধ্য চেষ্টা করছি"। প্রায় প্রত্যেকেই নিজের সম্পর্কে ভাবছেন। তবে "সেরা আমরা পারি" এটি "নির্ভুল" নয়।


2

আমি দর্শনের বিকল্প দিক থেকে এটি পৌঁছাতে যাচ্ছি, জর্জ এফ। ক্লিরের ঝাপসা সেটগুলিতে আলোচিত অনিশ্চয়তা পরিচালনার সত্যিকারের দরকারী নীতিগুলির আলোকে। আমি ভ্যান ডের লানকে নির্ভুলতা দিতে পারি না, তবে কেন তার লক্ষ্যটি যুক্তিযুক্তভাবে অসম্ভব, তার জন্য আমি কিছুটা বিস্তৃত কেস সরবরাহ করতে পারি; যে একটি দীর্ঘ আলোচনার আহ্বান জানাতে যাচ্ছে যা অন্যান্য ক্ষেত্রগুলিকে উল্লেখ করে, তাই আমার সাথে সহ্য করুন।

কুলির এবং তাঁর সহ-লেখকরা অনিশ্চয়তাটিকে কয়েকটি সাব-টাইপের মধ্যে ভাগ করেছেন যেমন- অনস্পষ্টতা (অর্থাত্ আপনার যখন বিকল্পগুলির একটি অজানা সেট রয়েছে তখন হার্টলে ফাংশন এর মতো মাধ্যমে মোকাবেলা করা হবে); সংজ্ঞাগুলিতে অসম্পূর্ণতা (অর্থাত "ফাজিনেসি" মডেল এবং ফাজি সেটগুলিতে পরিমাণযুক্ত); কলহের বা প্রমাণের মধ্যে বিভেদ (ডেম্পস্টার-শ্যাফার এভিডেন্স থিওরিতে সম্বোধন করা); প্লাস সম্ভাব্যতা তত্ত্ব, সম্ভাবনা তত্ত্ব এবং পরিমাপের অনিশ্চয়তা, যেখানে ত্রুটিগুলি হ্রাস করার লক্ষ্যে প্রাসঙ্গিক প্রমাণগুলি ক্যাপচার করার পর্যাপ্ত সুযোগ থাকতে হবে। আমি পরিসংখ্যানগত কৌশলগুলির পুরো সরঞ্জামবাক্সকে বিভিন্ন উপায়ে বিভক্তকরণের বিকল্প উপায় হিসাবে দেখি, অনেকটা কুকি কর্তকের মতো; আত্মবিশ্বাসের ব্যবধানগুলি এবং এক-উপায়ে পৃথকীকরণের অনিশ্চয়তা, যখন শ্যাননের এন্ট্রপির মতো পদক্ষেপগুলি এটি অন্য একটি কোণ থেকে বিচ্ছিন্ন করে। তারা কি করতে পারে ' তবে, এটি সম্পূর্ণরূপে নির্মূল করা হচ্ছে। ভ্যান ডের লান যে ধরণের বর্ণনা দেয় বলে মনে হয় তার একটি "সঠিক মডেল" অর্জন করার জন্য আমাদের এই ধরণের অনিশ্চয়তা সমস্তই হ্রাস করে শূন্যে নামিয়ে আনতে হবে, যাতে বিভাজনের আর কোনও অবশিষ্ট নেই। সত্যিকারের "নির্ভুল" মডেলের সর্বদা 1 এর সম্ভাবনা এবং সম্ভাবনার মান থাকবে, 0 এর nonspecificity স্কোর এবং শর্তাদির সংজ্ঞা, মানগুলির পরিসীমা বা পরিমাপের স্কেলের কোনও অনিশ্চয়তা নেই। প্রমাণের বিকল্প উত্সগুলিতে কোনও বিভেদ থাকবে না। এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে: ভ্যান ডের লান যে ধরনের ভ্যানটি বর্ণনা করেছে বলে মনে হচ্ছে, আমাদের এই ধরণের সমস্ত অনিশ্চয়তা শূন্যের তুলনায় কমিয়ে আনা দরকার, যাতে পার্টিশনের আর কোনও অবশিষ্ট নেই। সত্যিকারের "নির্ভুল" মডেলের সর্বদা 1 এর সম্ভাবনা এবং সম্ভাবনার মান থাকবে, 0 এর nonspecificity স্কোর এবং শর্তাদির সংজ্ঞা, মানগুলির পরিসীমা বা পরিমাপের স্কেলের কোনও অনিশ্চয়তা নেই। প্রমাণের বিকল্প উত্সগুলিতে কোনও বিভেদ থাকবে না। এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে: ভ্যান ডের লান যে ধরনের ভ্যানটি বর্ণনা করেছে বলে মনে হচ্ছে, আমাদের এই ধরণের সমস্ত অনিশ্চয়তা শূন্যের তুলনায় কমিয়ে আনা দরকার, যাতে পার্টিশনের আর কোনও অবশিষ্ট নেই। সত্যিকারের "নির্ভুল" মডেলের সর্বদা 1 এর সম্ভাবনা এবং সম্ভাবনার মান থাকবে, 0 এর nonspecificity স্কোর এবং শর্তাদির সংজ্ঞা, মানগুলির পরিসীমা বা পরিমাপের স্কেলের কোনও অনিশ্চয়তা নেই। প্রমাণের বিকল্প উত্সগুলিতে কোনও বিভেদ থাকবে না। এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে: সত্যিকারের "নির্ভুল" মডেলের সর্বদা 1 এর সম্ভাবনা এবং সম্ভাবনার মান থাকবে, 0 এর nonspecificity স্কোর এবং শর্তাদির সংজ্ঞা, মানগুলির পরিসীমা বা পরিমাপের স্কেলের কোনও অনিশ্চয়তা নেই। প্রমাণের বিকল্প উত্সগুলিতে কোনও বিভেদ থাকবে না। এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে: সত্যিকারের "নির্ভুল" মডেলের সর্বদা 1 এর সম্ভাবনা এবং সম্ভাবনার মান থাকবে, 0 এর nonspecificity স্কোর এবং শর্তাদির সংজ্ঞা, মানগুলির পরিসীমা বা পরিমাপের স্কেলের কোনও অনিশ্চয়তা নেই। প্রমাণের বিকল্প উত্সগুলিতে কোনও বিভেদ থাকবে না। এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে: এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে: এই জাতীয় মডেল দ্বারা করা ভবিষ্যদ্বাণী সর্বদা 100 শতাংশ নির্ভুল হবে; ভবিষ্যদ্বাণীমূলক মডেলগুলি তাদের অনিশ্চয়তা ভবিষ্যতে মূলত বিভাজন করে, তবে কোনও কিছুই বন্ধ রাখেনি। অনিশ্চয়তার দৃষ্টিকোণের কয়েকটি গুরুত্বপূর্ণ বিষয় রয়েছে:

Tall এই লম্বা ক্রমটি কেবল শারীরিকভাবে গর্বের নয়, তবে আসলে যুক্তিযুক্তভাবে অসম্ভব। স্পষ্টতই, আমরা পতনযোগ্য, শারীরিক বৈজ্ঞানিক সরঞ্জাম ব্যবহার করে সীমাবদ্ধ পর্যবেক্ষণ সংগ্রহ করে, অনন্যতম ডিগ্রি সহ পুরোপুরি অবিচ্ছিন্ন পরিমাপের স্কেলগুলি অর্জন করতে পারি না; পরিমাপের স্কেলের ক্ষেত্রে সর্বদা কিছুটা অনিশ্চয়তা থাকবে। তেমনি, আমাদের পরীক্ষাগুলিতে আমরা নিযুক্ত খুব সংজ্ঞাটিকে ঘিরে সর্বদা কিছু অস্পষ্টতা থাকবে। ভবিষ্যতও সহজাতভাবে অনিশ্চিত, সুতরাং আমাদের "সঠিক" মডেলগুলির অনুমানগত নিখুঁত ভবিষ্যদ্বাণীগুলি অন্যথায় প্রমাণিত না হওয়া পর্যন্ত অসম্পূর্ণ হিসাবে বিবেচনা করতে হবে - যা চিরন্তন গ্রহণ করবে।

Matters বিষয়টিকে আরও খারাপ করে তোলার জন্য, কোনও পরিমাপের কৌশল প্রক্রিয়াটির এক পর্যায়ে 100 শতাংশ ত্রুটিমুক্ত নয়, মহাবিশ্বের সম্ভাব্য দ্বন্দ্বপূর্ণ তথ্যগুলিকে আলিঙ্গন করার পক্ষে এটি যথেষ্ট পরিমাণে বিস্তৃতও করা যায় না। তদুপরি, সম্ভাব্য বিভ্রান্তিকর পরিবর্তনগুলি এবং সম্পূর্ণ শর্তসাপেক্ষ স্বতন্ত্রতার অবসান অন্য যে কোনও শারীরিক প্রক্রিয়াগুলি যা আমরা পরীক্ষা করছি তার পাশাপাশি যেগুলি এই গৌণ প্রক্রিয়াগুলিকে প্রভাবিত করে সেগুলি পরীক্ষা না করে ভালভাবে প্রমাণিত হতে পারে না।

Pure খাঁটি যুক্তি এবং তার উপসেট, গণিতে কেবল নির্ভুলতা সম্ভব কারণ স্পষ্টতই অ্যাবস্ট্রাকশনগুলি অনিশ্চয়তার এই উত্সগুলির মতো বাস্তব-বিশ্ব উদ্বেগগুলি থেকে তালাকপ্রাপ্ত। উদাহরণস্বরূপ, খাঁটি অনুদানমূলক যুক্তি দ্বারা, আমরা প্রমাণ করতে পারি যে 2 + 2 = 4 এবং অন্য কোনও উত্তর 100 শতাংশ ভুল rect আমরা নিখুঁতভাবে সঠিক ভবিষ্যদ্বাণীও করতে পারি যে এটি সর্বদা 4 সমান হবে This এই ধরণের নির্ভুলতা কেবলমাত্র পরিসংখ্যানগুলিতে সম্ভব যখন আমরা বিমূর্ততাগুলি নিয়ে কাজ করি। বাস্তব বিশ্বে প্রয়োগ করার সময় পরিসংখ্যান অবিশ্বাস্যরূপে কার্যকর, তবে যে জিনিসটি এটি দরকারী করে তোলে তা কমপক্ষে কিছুটা অব্যর্থ অনিশ্চয়তার ইনজেকশন দেয়, যার ফলে এটি অযোগ্য হয়। এটি একটি অনিবার্য দ্বিধা।

• তদ্ব্যতীত, পিটার চু লিঙ্কযুক্ত নিবন্ধের মন্তব্য বিভাগে অতিরিক্ত সীমাবদ্ধতা বাড়িয়েছেন। তিনি এটিকে আমার চেয়ে আরও ভাল করে তুলেছেন:

"এনপি-হার্ড সমস্যার এই সমাধানের পৃষ্ঠটি সাধারণত অনেক স্থানীয় অপটিমা দিয়ে ছড়িয়ে পড়ে এবং বেশিরভাগ ক্ষেত্রেই সমস্যাটি সমাধান করা গণ্যমান্যভাবে অপ্রয়োজনীয় অর্থাৎ সাধারণভাবে বৈশ্বিক অনুকূল সমাধান সন্ধান করা Hence সুতরাং, প্রতিটি মডেলার কিছু (হিউরিস্টিক) মডেলিং কৌশল ব্যবহার করছেন, সর্বোপরি, এই জটিল উদ্দেশ্য কার্যের বিশাল সমাধান স্থানে পর্যাপ্ত স্থানীয় অনুকূল সমাধানগুলি খুঁজে পেতে ""

; এর সবকটির অর্থ হ'ল বিজ্ঞান নিজেই পুরোপুরি নির্ভুল হতে পারে না, যদিও ভ্যান ডের লান তার নিবন্ধে এইভাবে এই বিষয়ে কথা বলেছে; বিমূর্ত প্রক্রিয়া হিসাবে বৈজ্ঞানিক পদ্ধতি সুনির্দিষ্টভাবে সংজ্ঞায়িত, তবে সর্বজনীন এবং নিখুঁত সঠিক পরিমাপের অসম্ভবতার অর্থ এটি অনিশ্চয়তা বিহীন সঠিক মডেল তৈরি করতে পারে না। বিজ্ঞান একটি দুর্দান্ত সরঞ্জাম, তবে এর সীমাবদ্ধতা রয়েছে।

There সেখান থেকে এটি আরও খারাপ হয়ে যায়: এমনকি যদি মহাবিশ্বের প্রতিটি উপাদান কোয়ার্ক এবং গ্লুয়ুনের উপর অভিনয় করে সমস্ত বাহিনীকে সঠিকভাবে পরিমাপ করা সম্ভব হয়, তবে কিছু অনিশ্চয়তা এখনও থেকে যায়। প্রথমত, এই জাতীয় সম্পূর্ণ মডেল দ্বারা করা কোনও ভবিষ্যদ্বাণী কুইন্টিক সমীকরণ এবং উচ্চতর বহুবর্ষের জন্য একাধিক সমাধানের অস্তিত্বের কারণে এখনও অনিশ্চিত হবে। দ্বিতীয়ত, আমরা পুরোপুরি নিশ্চিত হতে পারি না যে সর্বোত্তম সংশয়বাদটি ক্লাসিক প্রশ্নটিতে সংশ্লেষিত "সম্ভবত এটি সমস্ত স্বপ্ন বা একটি হ্যালুসিনেশন" বাস্তবতার প্রতিচ্ছবি নয় - এই ক্ষেত্রে আমাদের সমস্ত মডেল সত্যই সবচেয়ে খারাপ দিক থেকে ভুল wrong । এটি মূলত ঘটনবাদ, আদর্শবাদ এবং সলিসিজমের মতো দর্শনের মূল জ্ঞানবিজ্ঞানের সূত্রগুলির আরও চূড়ান্ত অনটোলজিকাল ব্যাখ্যার সমতুল্য।

His তাঁর 1909 ক্লাসিক অর্থোডক্সিতেজি কে চেস্টারটন উল্লেখ করেছিলেন যে এই দর্শনের চরম সংস্করণগুলি সত্যই বিচার করা যেতে পারে, তবে তারা তাদের বিশ্বাসীদের মানসিক প্রতিষ্ঠানে চালিত করে বা না করে; অ্যান্টোলজিকাল সলিসিজম, উদাহরণস্বরূপ, আসলে সিজোফ্রেনিয়ার একটি চিহ্নিতকারী, যেমন এর কাজিনের কিছু কাজিন। যুক্তিযুক্ত সন্দেহ দূর করার জন্য আমরা এই বিশ্বে সর্বোত্তম যেটি অর্জন করতে পারি; নির্ভুল মডেল, সম্পূর্ণ এবং ত্রুটিমুক্ত পরিমাপের একটি অনুমানমূলক বিশ্বে এমনকি এই অস্থির এই ধরনের অযৌক্তিক সন্দেহকে কঠোরভাবে করা যায় না। ভ্যান ডার লান যদি আমাদের অযৌক্তিক সন্দেহ থেকে মুক্তি দিতে চায় তবে সে আগুন নিয়ে খেলছে। সিদ্ধতার দিকে আঁকড়ে ধরে, আমরা যে সীমাবদ্ধ ভাল করতে পারি তা আমাদের আঙ্গুলের মধ্য দিয়ে পিছলে যাবে; আমরা অসীম বিশ্বে বিদ্যমান সীমাবদ্ধ প্রাণী, যার অর্থ সম্পূর্ণরূপে এবং সম্পূর্ণ নির্দিষ্ট জ্ঞানের ভ্যান ডের লান যে ধরণের যুক্তি দেয় তার জন্য স্থায়ীভাবে আমাদের উপলব্ধি ছাড়িয়ে যায়। আমরা এই ধরণের দৃty়তার কাছে পৌঁছানোর একমাত্র উপায় হ'ল সেই পৃথিবী থেকে পশ্চাৎপদ হ'ল একেবারে বিমূর্ত যাকে আমরা "শুদ্ধ গণিত" বলে থাকি of তবে এর অর্থ এই নয় যে খাঁটি গণিতে পিছপা হওয়াই অনিশ্চয়তা দূর করার সমাধান। মূলত এটি ছিল লুডভিগ উইটজেনস্টেইনের (১৮৮৯-১৯১১) উত্তরসূরীদের গৃহীত পদ্ধতি, যিনি তাঁর সাধারণ দর্শনের যৌক্তিক প্যাসিভিজমবাদের দর্শনকে সম্পূর্ণরূপে রূপককে প্রত্যাখ্যান করে এবং সম্পূর্ণরূপে বিশুদ্ধ গণিত এবং বিজ্ঞানবাদের প্রতি পশ্চাদপসরণ করে চরম সংশয়বাদে পরিণত করেছিলেন, উপযোগিতা সম্পর্কে সঠিকতার উপর ওভারস্পেশিয়ালাইজেশন এবং ওভারেফেসিস। প্রক্রিয়াতে, তারা দর্শনের শৃঙ্খলাটিকে সংজ্ঞা ও নাভি-গ্যাজিংয়ের উপর নিটপিকিংয়ের মনোবলের মধ্যে বিলীন করে দিয়েছিল, যার ফলে এটি অন্য একাডেমিয়ার সাথে অপ্রাসঙ্গিক করে তুলেছে। এটি মূলত পুরো শৃঙ্খলাটিকে হত্যা করেছিল, যা এখনও বিংশ শতাব্দীর গোড়া পর্যন্ত একাডেমিক বিতর্কের শীর্ষে ছিল, যেখানে এখনও এটি মিডিয়া মনোযোগ জাগিয়ে তোলে এবং এর কিছু নেতাদের পরিবারের নাম ছিল। তারা বিশ্বের একটি নিখুঁত, পালিশ ব্যাখ্যা ধরেছিল এবং এটি তাদের আঙ্গুলের মধ্যে থেকে পিছলে যায় - ঠিক যেমনটি মানসিক রোগীদের মাধ্যমে জি কেসি বলেছিলেন through এটি নীচে আলোচিত যেমন ভ্যান ডার লানকে ইতিমধ্যে নিজের মতামত অস্বীকার করেছে এর হাত থেকেও পিছলে যাবে। যে মডেলগুলি খুব নির্ভুল তা অনুসরণ করা কেবল অসম্ভব নয়; এটি বিপজ্জনক হতে পারে, যদি নিজেকে পরাস্ত করার আবেশের দিকে নিয়ে যায়। এই ধরণের বিশুদ্ধতার সাধনা খুব কমই ভালভাবে শেষ হয়; এটি প্রায়শই আত্ম-পরাজিত করা সেই জীবাণুবিদদের মতো যারা নিজের হাতগুলি এত উগ্রভাবে স্ক্রাব করে যে তারা সংক্রামিত ক্ষতগুলি শেষ করে। এটা ' ইকারাস সূর্যের থেকে আগুন চুরি করার চেষ্টা করিয়ে দেওয়ার স্মরণ করিয়ে দেয়: সীমাবদ্ধ প্রাণী হিসাবে আমাদের কাছে কেবল বিষয়গুলির একটি সীমাবদ্ধ ধারণা থাকতে পারে। চেস্টার্টন যেমন অর্থোডক্সিতে বলেছিলেন, "তিনিই সেই যুক্তিবিদ যিনি আকাশকে তাঁর মাথায় getুকতে চেয়েছিলেন। এবং এটিই তাঁর মাথা বিভক্ত।"

উপরের আলোকে, আমাকে আরভিএল দ্বারা তালিকাভুক্ত কয়েকটি নির্দিষ্ট প্রশ্নের সমাধান করতে দাও:

1) কোনও অনুমানবিহীন একটি মডেল যা হয় তা হয়) ক) নিজস্ব অনুমান সম্পর্কে অবগত নয় বা খ) অবশ্যই পরিমাপের ত্রুটি যেমন প্রতিটি সম্ভাব্য বিভ্রান্তিক পরিবর্তনশীল, নিখুঁতভাবে অবিচ্ছিন্ন পরিমাপের স্কেল এবং অ্যাকাউন্টিংয়ের জন্য অনিশ্চয়তার পরিচয় দেওয়া বিবেচনাগুলি থেকে পরিষ্কারভাবে তালাক দিতে হবে the মত।

2) আমি যখন সর্বাধিক সম্ভাবনা অনুমানের (এমএলই) আসে তখনও আমি একজন নবাগত, তাই আমি লক্ষ্য সম্ভাবনার যান্ত্রিক বিষয়ে মন্তব্য করতে পারি না, স্পষ্ট করে বলার অপেক্ষা রাখে না: সম্ভাবনা কেবল এটিই, সম্ভাবনা, কোনও নির্দিষ্টতা নয় । সঠিক মডেলটি অর্জন করতে অনিশ্চয়তার সম্পূর্ণ নির্মূলকরণ প্রয়োজন, যা যদি কখনও হয় তবে সম্ভাব্য যুক্তি খুব কমই করতে পারে।

3) অবশ্যই না। যেহেতু সমস্ত মডেলগুলি কিছুটা অনিশ্চয়তা বজায় রাখে এবং এইভাবে নিখুঁত হয় (খাঁটি গণিতের ক্ষেত্রে ব্যতীত, বাস্তব-বিশ্বের শারীরিক পরিমাপ থেকে তালাকপ্রাপ্ত), মানব জাতি আজ পর্যন্ত কোনও প্রযুক্তিগত অগ্রগতি করতে সক্ষম হত না - বা সত্যই, অন্য কোনও অগ্রগতি অর্জন করতে পারে না সব। যদি অনর্থক মডেলগুলি সর্বদা অকেজো হয়ে থাকত তবে আমরা এই কথোপকথনটি একটি গুহায় করতাম, ইন্টারনেট নামক প্রযুক্তির এই অবিশ্বাস্য কীর্তির পরিবর্তে, সমস্ত কিছুই অনর্থক মডেলিংয়ের মাধ্যমে সম্ভব হয়েছিল।

হাস্যকরভাবে, ভ্যান ডার লানের নিজস্ব মডেল অনভিজ্ঞতার প্রাথমিক উদাহরণ is তার নিজস্ব নিবন্ধে পরিসংখ্যানের ক্ষেত্রটি কীভাবে পরিচালনা করা উচিত, তার একধরণের মডেলটি স্কেচ করে সঠিক মডেলের দিকে লক্ষ্য রেখে; এই "মডেল" এর সাথে এখনও কোনও সংখ্যা সংযুক্ত নেই, বেশিরভাগ মডেল এখন তাঁর দৃষ্টিভঙ্গিতে ঠিক কীভাবে নিখুঁত বা অকেজো, তার কোনও পরিমাপ নেই, আমরা তার দৃষ্টি থেকে কতটা দূরে রয়েছি তার কোনও পরিমাপ নেই, তবে আমি মনে করি যে এই সমস্ত বিষয়গুলির জন্য কেউ পরীক্ষা গ্রহণ করতে পারে । এটি যেমন দাঁড়িয়েছে তবে তার মডেলটি অক্ষত ex যদি এটি দরকারী না হয়, তার অর্থ তার বক্তব্যটি ভুল; যদি এটি দরকারী হয় তবে এটি তার মূল বিষয়টিকে পরাস্ত করে যে অনর্থক মডেলগুলি কার্যকর নয়। যেভাবেই হোক না কেন, সে নিজের যুক্তিকেই অস্বীকার করে।

৪) সম্ভবত তা নয়, কারণ আমাদের মডেলটি পরীক্ষা করার জন্য আমাদের সম্পূর্ণ তথ্য থাকতে পারে না, একই কারণে আমরা প্রথম স্থানে একটি সঠিক মডেল অর্জন করতে পারি না। সংজ্ঞা অনুসারে একটি সঠিক মডেলটির জন্য নিখুঁত ভবিষ্যদ্বাণী প্রয়োজন, তবে প্রথম 100 টি পরীক্ষা যদি 100 শতাংশ নির্ভুল হয়ে যায় তবে 101 তম নাও পারে। তারপরে সীমাহীন পরিমাপের আইশের পুরো সমস্যা রয়েছে। এর পরে, আমরা অনিশ্চয়তার সমস্ত উত্সগুলিতে প্রবেশ করি, যা আমাদের আইভরি টাওয়ারের মডেলটির কোনও আইভরি টাওয়ার মূল্যায়নকে দূষিত করবে।

৫) সমস্যাটি সমাধান করার জন্য, আমাকে প্রায়শই বিতর্কিত অনেক বড় দার্শনিক ইস্যুর বিস্তৃত প্রসঙ্গে রেখে দিতে হয়েছিল, সুতরাং আমি মনে করি না যে এটির মতামত না পেয়েই এটি নিয়ে আলোচনা করা সম্ভব (নোট যে কীভাবে এবং অন্যটি কীভাবে তা নোট করুন) অনিশ্চয়তার উত্স) তবে আপনি ঠিক বলেছেন, এই নিবন্ধটি একটি উত্তর প্রাপ্য। অন্যান্য বিষয়ে তিনি যা বলছেন তার অনেকগুলি সঠিক পথে রয়েছে, যেমন বিগ ডেটার সাথে সম্পর্কিত পরিসংখ্যান তৈরি করার প্রয়োজন, তবে সেখানে কিছু অবৈধ চরমপন্থা মিশ্রিত হয়েছে যা সংশোধন করা উচিত।


1
কে এই "উইটজেনস্টিনের উত্তরসূরি" যারা "দর্শনের শৃঙ্খলা নষ্ট করেছিলেন" !? যুদ্ধোত্তর বিশ্লেষণাত্মক দর্শনের প্রবণতা - পরবর্তী উইটজেনস্টাইন, অস্টিন, কুইন, কেনি, গুডম্যান, লুইস, ডেভিডসন, রুর্টির কথা ভাবেন - মনে হয় যৌক্তিক পজিটিভিজমের তত্ত্বগুলি প্রত্যাখ্যান করা, রূপকবিদ্যার পুনর্বাসন, এবং বৈজ্ঞানিকতা থেকে ফিরে আসা । (নীটশে ও লয়োলা সম্পর্কে রুর্টির মন্তব্যগুলি বোঝায় যে তিনি চেস্টারটনের বক্তব্যটির সাথে একমত হতে পারেন।) কেন শিম ক্রিপকের পরিবর্তে কিম কার্দাশিয়ানের ঘরের নাম, আমার সন্দেহ হয় যে বিংশ শতাব্দীর শুরু থেকেই অন্যান্য প্রবণতা কাজ করছে।
স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন

যুদ্ধ পরবর্তী এই সংস্কারকরা তাদের মাঠের বাইরে অবিকল অজানা কারণ তারা '20 / '30 এর দশকে শৃঙ্খলা ফিরিয়ে নেওয়ার পরে এসেছিল (এক শতাব্দী-দীর্ঘ পতনের পরে চূড়ান্ত যৌক্তিক ধনাত্মকবাদীরা কেবল তীব্রভাবে তীব্র হয়েছিলেন) যেটি কখনও পুনরুদ্ধার হয়নি। ক্ষতি আগেই হয়ে গিয়েছিল। 50 এর দশকের দ্বারা অন্যান্য একাডেমিক শাখাগুলি আর নেতৃত্বের জন্য দর্শনের দিকে তাকাচ্ছিল না এবং তখন থেকে প্রায়শই একেবারে স্পর্শকাতর, নটপিকিং প্যাডেন্ট্রি এর জন্য একেবারে উপহাসের সাথে আচরণ করে I আমি আশা করি এটি সত্য না হত। চিত্রটি দর্শনের বাস্তবতার প্রতিফলন নাও করতে পারে, তবে কলঙ্ক এখনও রয়ে গেছে।
এসকিউএল সার্ভারস্টেভ

আমি আপনার সাথে সময় পেলে পরের সপ্তাহে আড্ডায় এই আলোচনা করতে পেরে খুশি হব, আমি এই থ্রেডের কোনও স্পর্শকাতর হয়ে উঠতে চাই না, তবে আমার সন্দেহ হয় যে আমাদের অবস্থানগুলি এর থেকে আলাদা নয়। আমি মনে করি আপনি সম্পূর্ণরূপে ঠিক আছেন, কারদাশিয়ান ইত্যাদির দিকে পরিচালিত আন্দোলনটি বিংশ শতাব্দীর শুরু থেকেই চলছে - অবিকল দর্শনের অনুশাসনটি গ্রহণে পড়েছিল (এটি প্রাপ্য কিনা অন্য কোনও বিষয়; আমি এটিকে অত্যন্ত বিবেচনা করি ব্যবহারিক এবং আশা করি এটি এখনও খুব সম্মানিত হয়)।
এসকিউএল সার্ভারস্টেভ

মন্তব্যগুলি বর্ধিত আলোচনার জন্য নয়; এই কথোপকথন চ্যাটে সরানো হয়েছে ।
স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন
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.