পার্সিমনি কি আসলেই স্বর্ণের স্ট্যান্ডার্ড হওয়া উচিত?

Question

শুধু একটি ভাবনা:

পার্সিমোনিয়াস মডেলগুলি সর্বদা মডেল নির্বাচনের ক্ষেত্রে ডিফল্ট গো-টু হয়ে থাকে, তবে এই পদ্ধতিরটি কতটা পুরানো? আমি পার্সিমনি সম্পর্কে আমাদের প্রবণতা কতটা অবাকী এবং স্লাইড নিয়মের (বা আরও গুরুতরভাবে, অ-আধুনিক কম্পিউটারগুলি) সময়ের প্রতিলিপি তা সম্পর্কে আমি আগ্রহী। আজকের কম্পিউটিং শক্তি আমাদের পূর্বাভাসের জন্য আরও বেশি দক্ষতার সাথে ক্রমবর্ধমান জটিল মডেলগুলি তৈরি করতে সক্ষম করে। কম্পিউটিং পাওয়ারে এই ক্রমবর্ধমান সিলিংয়ের ফলস্বরূপ, আমাদের কি এখনও সরলতার দিকে অভ্যাস করা দরকার?

অবশ্যই, সহজ মডেলগুলি বোঝা এবং ব্যাখ্যা করা সহজ, তবে ক্রমবর্ধমান ডেটাগুলির যুগে আরও বেশি সংখ্যক ভেরিয়েবল এবং ভবিষ্যদ্বাণী সক্ষমতার উপর আরও বেশি ফোকাসের দিকে পরিবর্তনের সাথে ডেটা সেট হয়, এটি আর অর্জনযোগ্য বা প্রয়োজনীয় হতে পারে না।

থটস?

Comments

রিচার্ড হামিংয়ের কাছে ক্ষমাপ্রার্থী: মডেলিংয়ের উদ্দেশ্য অন্তর্দৃষ্টি, সংখ্যা নয়। জটিল মডেল অন্তর্দৃষ্টি বাধা দেয়।

— এরিক টাওয়ার

যে মডেলগুলি ওভারসিম্লিফাই করা হয়েছে তারা অন্তর্দৃষ্টি আরও বাধা দেয়।

— ফ্রাঙ্ক হ্যারেল

এটি প্রয়োগের উপর নির্ভর করতে পারে; পদার্থবিজ্ঞানে, আমি মনে করি পার্সিমনি যুক্তির একটি দৃ basis় ভিত্তি থাকবে। যাইহোক, অনেক অ্যাপ্লিকেশনগুলির ছোট ছোট প্রভাব রয়েছে যা মুছে ফেলা যায় না (উদাহরণস্বরূপ রাজনৈতিক পছন্দগুলির মডেলগুলি বিবেচনা করুন)। বেশ কয়েকজন শ্রমিক পরামর্শ দিয়েছেন যে নিয়মিতকরণের ব্যবহার (যেমন পদ্ধতিগুলি সঙ্কুচিত হতে পারে বা অনেক অ্যাপ্লিকেশনগুলিতে পার্থক্য সঙ্কুচিত হতে পারে বা উভয়) ভেরিয়েবল নির্মূলের পরিবর্তে আরও অর্থবোধ তৈরি করে; অন্যরা কিছু নির্বাচন এবং কিছু সংকোচনের দিকে ঝুঁকে থাকে (উদাহরণস্বরূপ, ল্যাসো উভয়ই করে)।

— গ্লেন_বি -রিনস্টেট মনিকা

পার্সিমোনিয়াস মডেলগুলি মডেল নির্বাচনের "যেতে" নয় । অন্যথায় আমরা সবসময় এর নমুনাটির সাথে সবকিছুকে মডেল করতাম এবং এটিকে একটি দিন বলি।

— শ্যাডটলকার

এছাড়াও, চিন্তার জন্য কিছু খাবার: মীজ এবং ওয়েইনার (২০০৮) অ্যাডাবোস্টে আরও সমৃদ্ধশালী শিক্ষার্থীদের সুপারিশ করে , যা কিছুটা অপ্রকাশ্য। গবেষণার সেই লাইনে একটি উন্মুক্ত প্রশ্ন বলে মনে হচ্ছে যে পার্সিমোনিয়াস বেস শিক্ষণকারীরা আসলে পার্সিমোনিয়াস এনসেম্বলসকে নেতৃত্ব দেয় কিনা।

— শ্যাডটলকার

Answer 1

@ ম্যাট-এর মূল উত্তরটি পার্সিমনি-র অন্যতম একটি উপকারিতা বর্ণনা করার দুর্দান্ত কাজ করে তবে আমি মনে করি না এটি আসলে আপনার প্রশ্নের উত্তর দিয়েছে। বাস্তবে, পার্সিমনি সোনার মান নয়। এখন আর কখনও হয়নি ever পার্সিমনি সম্পর্কিত একটি "স্বর্ণের মান" হ'ল সাধারণীকরণ ত্রুটি। আমরা এমন মডেলগুলি বিকাশ করতে চাই যা উপযুক্ত নয়। যেগুলি নমুনায় রয়েছে তেমন নমুনার বাইরে ভবিষ্যদ্বাণী হিসাবে (বা ব্যাখ্যাযোগ্য বা ন্যূনতম ত্রুটি সহ) দরকারী। দেখা যাচ্ছে যে (উপরে বর্ণিত জিনিসগুলির কারণে) পার্সিমনি আসলে সাধারণীকরণের ত্রুটির জন্য বেশ ভাল প্রক্সি তবে এটি কেবলমাত্র একমাত্র নয়।

সত্যিই, আমরা কেন ক্রস বৈধতা বা বুটস্ট্র্যাপিং বা ট্রেন / পরীক্ষার সেট ব্যবহার করি সে সম্পর্কে ভাবুন। লক্ষ্যটি হ'ল ভাল সাধারণীকরণের নির্ভুলতা সহ মডেলগুলি তৈরি করা। অনেক সময়, নমুনা কর্মক্ষমতা অনুমান করার এই উপায়গুলি কম জটিলতার সাথে মডেলগুলি বেছে নেওয়ার চেষ্টা করে তবে সর্বদা নয়। চূড়ান্ত উদাহরণ হিসাবে কল্পনা করুন যে ওরাকেল আমাদের সত্যিকারের কিন্তু অত্যন্ত জটিল মডেল এবং একটি দরিদ্র তবে পার্সিমোনিয়াস মডেলকে তুলে ধরেছে। পার্সিমনি যদি সত্যিই আমাদের লক্ষ্য ছিল তবে আমরা দ্বিতীয়টি বেছে নেব তবে বাস্তবে, প্রথমটি আমরা যদি জানতে পারি তা শিখতে চাই। দুর্ভাগ্যক্রমে অনেক সময় যে শেষ বাক্যটি হ'ল "আমরা যদি পারতাম" kick

Comments

"আসল উত্তর" কোনটি?

— ম্যাচটিএম

:) যথেষ্ট ন্যায্য। ম্যাট এর মন্তব্য।

— নিক থিয়েমে

Answer 2

পার্সিমোনিয়াস মডেলগুলি কেবল কম্পিউটিং প্রয়োজনীয়তার কারণে নয়, সাধারণীকরণের পারফরম্যান্সের জন্যও কাঙ্ক্ষিত। অসীম তথ্যের আদর্শ অর্জন করা অসম্ভব যা পুরোপুরি এবং নির্ভুলভাবে নমুনার স্থানটি কভার করে, যার অর্থ নন-পার্সিমোনিয়াস মডেলগুলির মধ্যে নমুনা জনসংখ্যায় মডেল শব্দ এবং আইডিসিঙ্ক্রেসিগুলির অত্যধিক উপযোগী হওয়ার সম্ভাবনা রয়েছে।

লক্ষ লক্ষ ভেরিয়েবল সহ একটি মডেল তৈরি করা অবশ্যই সম্ভব তবে আপনি এমন ভেরিয়েবল ব্যবহার করবেন যা সিস্টেমটির মডেল করার জন্য আউটপুটটির কোনও প্রভাব ফেলবে না। আপনি আপনার প্রশিক্ষণ ডেটাসেটে দুর্দান্ত ভবিষ্যদ্বাণীপূর্ণ পারফরম্যান্স অর্জন করতে পারেন তবে সেই অপ্রাসঙ্গিক ভেরিয়েবলগুলি অদেখা পরীক্ষার সেটগুলিতে আপনার কর্মক্ষমতা কমিয়ে দেওয়ার সম্ভাবনা বেশি।

যদি কোনও আউটপুট ভেরিয়েবল সত্যই এক মিলিয়ন ইনপুট ভেরিয়েবলের ফলাফল হয় তবে আপনি সেগুলি আপনার ভবিষ্যদ্বাণীপূর্ণ মডেলটিতে রাখাই ভাল তবে কেবল আপনার যদি পর্যাপ্ত ডেটা থাকে । এই আকারের একটি মডেল সঠিকভাবে তৈরি করতে আপনার নূন্যতম কয়েক মিলিয়ন ডেটা পয়েন্ট প্রয়োজন। পার্সিমোনিয়াস মডেলগুলি দুর্দান্ত কারণ অনেকগুলি রিয়েল-ওয়ার্ল্ড সিস্টেমে এই আকারের একটি ডেটাসেট সহজভাবে পাওয়া যায় না এবং তদতিরিক্ত, আউটপুটটি মূলত অপেক্ষাকৃত কম সংখ্যক ভেরিয়েবল দ্বারা নির্ধারিত হয়।

Comments

+1 টি। আমি স্ট্যাটিস্টিকাল লার্নিংয়ের উপাদানগুলি (ওয়েবে অবাধে উপলভ্য) পড়ার পরামর্শ দিচ্ছি , যা এই সমস্যাটিকে গভীরভাবে আলোচনা করে।

— এস। কোলাসা - মনিকা

অন্যদিকে, যখন আপনার কয়েক মিলিয়ন ভেরিয়েবল এবং কয়েকটি বস্তু রয়েছে, সম্ভবত এটি সম্ভব যে বিশুদ্ধরূপে কিছু ভেরিয়েবলগুলি ফলাফল ব্যাখ্যা করতে আরও ভাল যে সত্য মিথস্ক্রিয়া। এ জাতীয় ক্ষেত্রে পার্সিমনি-ভিত্তিক মডেলিংটি ব্রুট-ফোর্সের পদ্ধতির চেয়ে বেশি ফিট করার পক্ষে বেশি সংবেদনশীল হবে।

@ ক্যাগডাস ওজজেঙ্ক উদাহরণস্বরূপ একটি বড় এলোমেলো উপ-স্থান en

আমার মনে হচ্ছে লাসোর পদ্ধতির মতো কিছু এখানে প্রয়োগ হতে পারে।

— বনাঞ্চল বিশেষজ্ঞ

Answer 3

আমি মনে করি পূর্ববর্তী উত্তরগুলি গুরুত্বপূর্ণ পয়েন্টগুলি তৈরি করতে ভাল কাজ করে:

• পার্সিমোনিয়াস মডেলগুলিতে আরও সাধারণের বৈশিষ্ট্য থাকে।
• পার্সিমনি সত্যিকারের স্বর্ণের মান নয়, তবে এটি কেবল বিবেচনা।

আমি আমার কাছে প্রতিদিনের কাজের অভিজ্ঞতা থেকে বেরিয়ে আসা কয়েকটি মন্তব্য যুক্ত করতে চাই।

ভবিষ্যদ্বাণীমূলক নির্ভুলতার যুক্তিটির সাধারণীকরণ অবশ্যই শক্তিশালী তবে শিক্ষাগতভাবে এটির ফোকাসে পক্ষপাতিত্ব is সাধারণভাবে, একটি পরিসংখ্যানগত মডেল তৈরি করার সময়, অর্থনীতিগুলি এমন হয় না যে ভবিষ্যদ্বাণীপূর্ণ কর্মক্ষমতা পুরোপুরি প্রভাবশালী বিবেচনা। কোনও দরকারী মডেল কোনও প্রদত্ত অ্যাপ্লিকেশনটির জন্য দেখতে কেমন তা প্রায়শই বড় বাইরের প্রতিবন্ধকতা রয়েছে:

• মডেল হতে হবে বাস্তবায়নযোগ্য একটি বিদ্যমান কাঠামো বা সিস্টেম মধ্যে।
• অ-প্রযুক্তিগত সত্তা দ্বারা মডেলটি অবশ্যই বোধগম্য ।
• মডেলটি গণনামূলকভাবে দক্ষ হতে হবে ।
• মডেল হতে হবে documentable ।
• মডেলকে অবশ্যই নিয়ন্ত্রক সীমাবদ্ধতাগুলি পার করতে হবে ।

বাস্তব আবেদন ডোমেইনের অনেক যদি এই সব বিবেচনার থেকে আসি সামনে নেই, পরে , ভবিষ্যদ্বাণীপূর্ণ কর্মক্ষমতা - এবং মডেল ফর্ম এবং প্যারামিটার অপ্টিমাইজেশান হয় সীমাবদ্ধ এই ইচ্ছা দ্বারা। এই প্রতিবন্ধকতাগুলির প্রত্যেকটি বৈজ্ঞানিককে পার্সিমোনির প্রতি পক্ষপাতিত্ব করে।

এটি সত্য হতে পারে যে অনেকগুলি ডোমেইনে এই সীমাবদ্ধতাগুলি ধীরে ধীরে সরানো হচ্ছে। তবে প্রকৃত অর্থেই সেই ভাগ্যবান বিজ্ঞানী যাকে এড়িয়ে যাবেন নিখুঁতভাবে সাধারণীকরণের ত্রুটি হ্রাস করার দিকে মনোনিবেশ করছেন।

এটি প্রথমবারের মতো বিজ্ঞানীর পক্ষে খুব হতাশার কারণ হতে পারে, স্কুল থেকে সতেজ হওয়া (এটি অবশ্যই আমার জন্য ছিল, এবং তখনও বজায় থাকে যখন আমার মনে হয় যে আমার কাজের প্রতিবন্ধকতাগুলি ন্যায়সঙ্গত নয়)। তবে শেষ পর্যন্ত, অগ্রহণযোগ্য পণ্য উত্পাদন করতে কঠোর পরিশ্রম করা হ'ল অপব্যয় এবং এটি আপনার বৈজ্ঞানিক অহংকারের চেয়েও খারাপ মনে করে।

Comments

কোন পার্সিমনি বিবেচনা নয়। একটি শব্দ অনুমিতকরণ পদ্ধতি যদি তারা সমানভাবে ডেটা ব্যাখ্যা করে তবে একটি অ-পার্সিমোনিয়াস মডেলের তুলনায় পার্সিমোনিয়াস মডেলকে র‌্যাঙ্ক করা উচিত। অন্যথায় মডেলের মোট সংকুচিত কোডলেন্থ এবং মডেল দ্বারা এনকোড করা ডেটা সবচেয়ে ছোট হবে না। হ্যাঁ এটি একটি স্বর্ণের মান।

— ক্যাগডাস ওজজেঙ্ক

পার্সিমনি কোনও "সোনার মান" নয়! উক্তিটি হতাশাব্যঞ্জক। যদি এটি সত্য হয়ে থাকে তবে আমরা কেন সবসময় এমন মডেলগুলি তৈরি করি না যা শর্তহীন অর্থ ব্যতীত কিছুই ফিট করে না? আমরা পরীক্ষার সেট বা, আরও ভাল এখনও, সম্পূর্ণ নতুন পর্যবেক্ষণগুলির সাথে সম্পর্কিত হিসাবে পক্ষপাত এবং বৈকল্পিকতা বাণিজ্য করি এবং আমরা আমাদের ক্ষেত্র, সংস্থা এবং আইনের সীমাবদ্ধতার মধ্যে এটি করি। কখনও কখনও আপনার কাছে কেবল নিষ্পাপ পূর্বাভাস দেওয়ার জন্য পর্যাপ্ত তথ্য থাকে। কখনও কখনও আপনি জটিলতা যোগ করার জন্য যথেষ্ট পেয়েছেন।

— ব্র্যাশ ভারসাম্য

@ ব্র্যাশএকিলিব্রিয়াম আমি মনে করি ক্যাগডাস যা বলছে তা হ'ল সমানভাবে ভবিষ্যদ্বাণীপূর্ণ মডেলগুলির মধ্যে পছন্দ অনুসারে একজনকে সবচেয়ে পার্সিমোনিয়াস চয়ন করা উচিত।

— ম্যাথু ড্রুরি

আহ। এটা আলাদা জিনিস। হ্যাঁ, সেক্ষেত্রে সর্বাধিক পার্সিমোনিয়াস মডেল চয়ন করুন। আমি এখনও মনে করি না যদিও পার্সিমনিটি "সোনার স্ট্যান্ডার্ড" হওয়ার মতো।

— ব্র্যাশ ভারসাম্য

@ ম্যাথেড্রুরি ব্রাশ, ক্যাগদাস। মজাদার. সম্ভবত, পার্সিমনি সোনার মানকগুলির একটি মাত্র উপাদান; যা সম্ভবত (বা হওয়া উচিত) পরিবেষ্টনের ধারণার আশেপাশে আরও ভাল । ইয়েল থেকে নিম্নলিখিত অ্যাস্ট্রো ফিজিক্সের বক্তৃতায় এই ধারণার একটি ভাল ধারণা দেওয়া হয়েছে: oyc.yale.edu/astronomy/astr-160/lecture-11 । 7:04 এর পরে। ডেভিড হেন্ড্রি এবং গ্রাহাম মিজনের একনোমেট্রিক / পূর্বাভাসের সাহিত্যেও এই ধারণার বৈশিষ্ট্য রয়েছে। তাদের যুক্তি ছিল যে পরিবেষ্টন একটি প্রগতিশীল গবেষণা কৌশলের অঙ্গ, যার মধ্যে পার্সিমনি একক দিক।

— গ্রামী ওয়ালশ

Answer 4

আমি মনে করি এটি খুব ভাল প্রশ্ন। আমার মতে পার্সিমনি ওভাররেটেড। প্রকৃতি খুব কমই পার্সামোনিয়াস, এবং তাই আমাদের সঠিকভাবে ভবিষ্যদ্বাণীমূলক বা বর্ণনামূলক মডেলগুলিও তাই হওয়ার আশা করা উচিত নয়। ব্যাখ্যার প্রশ্ন সম্পর্কে, আপনি যদি এমন একটি সহজ মডেল বেছে নেন যা কেবলমাত্র নম্রভাবে বাস্তবতার সাথে সামঞ্জস্য করে তবেই আপনি এটি বুঝতে পারবেন, আপনি ঠিক কী বুঝতে পারছেন? আরও জটিল মডেলটির ভবিষ্যদ্বাণীপূর্ণ শক্তিটি ধরে রেখে ধরে নেওয়া, এটি যাইহোক প্রকৃত তথ্যের কাছাকাছি বলে মনে হবে।

Comments

ভাল বলেছেন @ ডিএসএক্সটন। পার্সিমনি সম্পর্কে একটি দুর্দান্ত ভুল বোঝাবুঝি এবং উদ্বোধনী বৈশিষ্ট্য নির্বাচন কীভাবে হয় তার একটি দুর্দান্ত প্রশংসা। প্রাক স্পেসিফিকেশন থেকে ফলাফল আসে পার্সিমনি চমৎকার। ডেটা ড্রেজিংয়ের ফলে প্রাপ্ত বেশিরভাগ পার্সিমনি বিভ্রান্তিমূলক এবং কেবল এটি ভুল কারণ এটি বোঝা যায়।

— ফ্রাঙ্ক হ্যারেল

@ ফ্র্যাঙ্কহারেল আপনি কি কেবল "ভুল বলেই বুঝতে পেরেছেন" বা এই সম্পর্কে আগে যা লিখেছিলেন তার সাথে লিঙ্ক দেবেন? এটি একটি আকর্ষণীয় পয়েন্ট যা আমি নিশ্চিত হয়েছি যে আমি বুঝতে পেরেছি।

— gui11aume

এটি একটি চূড়ান্ত উদাহরণ, তবে যে সমস্ত জাতি বর্ণবাদের সাথে জড়িত তাদের মনে হয় তারা একক বৈশিষ্ট্য সহ (উদাহরণস্বরূপ, ত্বকের রঙ), কারও কী মূল্য রয়েছে with তাদের কাছে উত্তরটি সহজ। তারা কেবল এটি বুঝতে পারে কারণ তারা ওভারস্প্লিপ্লাইং করে একটি ভুল রায় দিচ্ছে। পার্সিমনি সাধারণত একটি মায়া (নিউটোনীয় যান্ত্রিক এবং অন্যান্য কয়েকটি ক্ষেত্র বাদে)।

— ফ্রাঙ্ক হ্যারেল

"প্রকৃতি খুব কমই পার্সিমোনিয়াস": এবং একটি বিষয় যেখানে প্রকৃতি বিশেষত অ-পার্সিমোনিয়াস হয় ব্যক্তিরা (আমাদের সাধারণ নমুনার আকারের বিপরীতে!)। বিবর্তন প্রতিটি প্রজন্মের নতুন ব্যক্তির সম্পূর্ণ নতুন জনসংখ্যার ব্যবহার করে ... আইএমএইচও পার্সিমনি (ফ্র্যাঙ্ক হ্যারেলের পূর্বনির্ধারিত প্রকার - মডেলের মধ্যে যে কোনও এন মি উপলব্ধ বৈশিষ্ট্যকে মঞ্জুরি দেওয়ার বিষয়টি আসলে একটি জটিল মডেল - এমনকি এন << মি, এটি মূল সন্ধানের জায়গার একটি অ-তাই-ছোট-ছোট ভগ্নাংশ) কীভাবে আমরা আমাদের অতি-অতি-ছোট ডেটা সেট থেকে কমপক্ষে কিছু পাওয়ার চেষ্টা করি।

— সিবেলাইটস

Answer 5

পার্সিমনি কোনও সুবর্ণ শুরু নয়। এটি মডেলিংয়ের একটি দিক। মডেলিং এবং বিশেষত পূর্বাভাস স্ক্রিপ্ট করা যায় না, আপনি কেবল কোনও মডেলারের কাছে অনুসরণ করতে কোনও স্ক্রিপ্ট হস্তান্তর করতে পারবেন না। আপনি বরং নীতির সংজ্ঞা দিন যার ভিত্তিতে মডেলিং প্রক্রিয়াটি ভিত্তিক হওয়া উচিত be সুতরাং, পার্সিমনি এই নীতিগুলির মধ্যে একটি, যার প্রয়োগ স্ক্রিপ্ট করা যাবে না (আবার!)। একজন মডেলার জটিলতা বিবেচনা করবেন যখন একটি নির্বাচন করা মডেল।

এর সাথে গণনার ক্ষমতার খুব কম সম্পর্ক রয়েছে। আপনি যদি শিল্পে থাকেন তবে আপনার মডেলগুলি ব্যবসার লোকেরা, পণ্য লোকেদের দ্বারা গ্রাস করা হবে, আপনি যারাই ফোন করবেন। আপনার তাদের আপনার মডেলটি ব্যাখ্যা করতে হবে, এটি উচিত একটি অর্থে দেখা যায় তাদের। পার্সিমোনিয়াস মডেলগুলি এ ক্ষেত্রে সহায়তা করে।

উদাহরণস্বরূপ, আপনি পণ্য বিক্রয় পূর্বাভাস করছেন। ড্রাইভারগুলি কী তা আপনি বর্ণনা করতে সক্ষম হবেনবিক্রয়ের এবং তারা কীভাবে কাজ । এগুলি অবশ্যই এমন ধারণাগুলির সাথে সম্পর্কিত হতে পারে যার সাথে ব্যবসা পরিচালিত হয় এবং সম্পর্কিতগুলি অবশ্যই ব্যবসায়ের দ্বারা বোঝা ও গ্রহণ করতে হবে। জটিল মডেলগুলির সাহায্যে মডেলের ফলাফলগুলি ব্যাখ্যা করা বা বাস্তবের সাথে পার্থক্যগুলি চিহ্নিত করা খুব কঠিন হতে পারে। আপনি যদি আপনার মডেলগুলি ব্যবসায়ের কাছে ব্যাখ্যা করতে না পারেন তবে আপনি এটির দ্বারা মূল্যবান হবেন না।

পূর্বাভাসের জন্য আরও একটি গুরুত্বপূর্ণ বিষয় important আসুন ধরা যাক আপনার মডেল N এক্সোজেনাস ভেরিয়েবলের উপর নির্ভরশীল। এর অর্থ হল আপনার নির্ভরশীল ভেরিয়েবলের পূর্বাভাস দেওয়ার জন্য আপনাকে প্রথমে এই পরিবর্তনগুলির পূর্বাভাস পেতে হবে। ছোট এন থাকা আপনার জীবনকে সহজ করে তোলে তাই একটি সহজ মডেল ব্যবহার করা সহজ।

Comments

যদিও আপনি পূর্বাভাসের কথা উল্লেখ করেছেন, আপনার বেশিরভাগ উত্তর কেবল ব্যাখ্যামূলক মডেলিংয়ের ক্ষেত্রেই প্রযোজ্য বলে মনে হচ্ছে।

— রোল্যান্ডো 2

@ রোল্যান্ডো 2, এটির মতো শোনাচ্ছে কারণ আমার ডোমেনে আপনি সহজেই ব্যবহারকারীদের কাছে পূর্বাভাসটি হস্তান্তর করতে পারবেন না। আমাদের পূর্বাভাসটি ব্যাখ্যা করতে হবে, ড্রাইভারদের সাথে এটি লিঙ্ক করতে হবে ইত্যাদি you আপনি যখন আবহাওয়ার পূর্বাভাস পান সাধারণত আপনি পূর্বাভাসককে আপনাকে ব্যাখ্যা করতে বলবেন না কেন তারা ঠিক মনে করে কেন এটি 50% সুযোগ নিয়ে বৃষ্টি হচ্ছে? আমার ক্ষেত্রে আমাকে কেবল এটিই করতে হবে না, তবে এটি এমনভাবে করুন যাতে আমার গ্রাহকরা ব্যবসায়িক ড্রাইভারদের সাথে এটির সংযোগ স্থাপন করে ফলাফলগুলি বোঝেন যা তারা প্রতিদিন নিয়ে কাজ করে। এজন্য পার্সিমনি তার নিজের পক্ষে মূল্যবান

— আকসাকাল

Answer 6

সম্ভবত একটি পর্যালোচনা আছে আকাইকে তথ্য মানদণ্ডের , এমন একটি ধারণা যা আমি গতকাল কেবল সেরেন্ডিপিটি দ্বারা আবিষ্কার করেছি। এআইসি কোনও মৌলিক ওসামের রেজার বা পার্সিমনি পদ্ধতির চেয়ে কোন মডেল এবং কতগুলি পরামিতি হ'ল পর্যবেক্ষণগুলির পক্ষে সেরা ব্যাখ্যা তা সনাক্ত করতে চায়।