যদি আমি সঠিকভাবে বুঝতে পারি, কোনও মেশিন লার্নিং অ্যালগরিদমটিতে, মডেলটিকে তার অভিজ্ঞতা থেকে শিখতে হবে, যখন মডেলটি নতুন ক্ষেত্রেগুলির জন্য ভুল ভবিষ্যদ্বাণী দেয়, অবশ্যই এটি নতুন পর্যবেক্ষণের সাথে খাপ খাইয়ে নিতে হবে এবং সময়ের সাথে সাথে, মডেলটি আরও উন্নততর হয়ে উঠবে । আমি দেখতে পাই না যে লজিস্টিক রিগ্রেশনটির এই বৈশিষ্ট্য রয়েছে। তবে কেন এটি এখনও মেশিন লার্নিং অ্যালগরিদম হিসাবে বিবেচিত হয়? "লার্নিং" পদটিতে স্বাভাবিক রিগ্রেশনের সাথে লজিস্টিক রিগ্রেশনের মধ্যে পার্থক্য কী?
এলোমেলো বনের জন্য আমারও একই প্রশ্ন!
এবং "মেশিন লার্নিং" এর সংজ্ঞা কী?
4
ব্যাকরণগত স্বচ্ছতার জন্য আমি আপনার প্রশ্নটি সম্পাদনা করেছি, তবে আপনি সামগ্রিকভাবে কী বোঝেন তা নিশ্চিত নই ... লজিস্টিক রিগ্রেশন এমএল এর অধীনে আসে কারণ এটি একটি শ্রেণিবদ্ধকরণ অ্যালগরিদম। মেশিন লার্নিং দ্বারা বোঝানো হয় না যে অ্যালগরিদমটিকে অভিযোজিত হতে হবে (যদিও এমন অ্যালগরিদম রয়েছে যা নতুন পর্যবেক্ষণগুলি থেকে শিখেছে)। অভিযোজন করা একটি বাস্তবায়ন পছন্দ, সাধারণত জেনারেটরি মেশিন লার্নিং অ্যালগরিদম দ্বারা প্রাপ্ত যা যৌথ সম্ভাবনার মডেল।
—
ঝুবার্ব
"মেশিন লার্নিং" একটি বরং শিথিল সংজ্ঞায়িত ধারণা। সত্যিই, সমস্ত পরিসংখ্যান পদ্ধতি যা একটি মডেল ফিট করার সাথে জড়িত তা মেশিন লার্নিংয়ের কথা ভাবা যেতে পারে। (ধরে নিই মডেল ফিটিং কিছুটা হলেও কম্পিউটারের দ্বারা করা যায়!)। এ কারণেই কিছু পরিসংখ্যানবিদ "বিগ ডেটা", "মেশিন লার্নিং", ইত্যাদি সম্প্রদায়গুলিতে হতাশ হয়ে পড়ে যা পরিসংখ্যান কী (এবং তা নয়!) সম্পর্কে
—
জলাবদ্ধতা তৈরি করে
@ পি। উইন্ড্রিজ: যদি "সমস্ত স্ট্যাটিসটিকাল পদ্ধতি যা মডেলকে জড়িত জড়িত তাদের মেশিন লার্নিংয়ের কথা ভাবা যেতে পারে" তবে আমি দেখতে পাই না কেন আমাদের মেশিন লার্নিং এবং পরিসংখ্যানকে আলাদা করা উচিত
—
মেটেরিয়াত
@ জুয়ানকুয়াংডো আমাদের সম্ভবত মেশিন শিখন এবং পরিসংখ্যানকে আলাদা করা উচিত নয়।
—
সাইকোরাক্স বলছেন মনিকা পুনরায়
