একাধিক লক্ষ্য কৌশল সম্পর্কে শেখার জন্য সম্পদ?

11

আমি এমন কৌশলগুলির বিষয়ে সংস্থানসমূহ (বই, বক্তৃতা নোট ইত্যাদি) সন্ধান করছি যা একাধিক-লক্ষ্যবস্তুযুক্ত ডেটা পরিচালনা করতে পারে (উদা: তিনটি নির্ভরশীল ভেরিয়েবল: 2 বিচ্ছিন্ন এবং 1 ধারাবাহিক)।

কারও কি এর কোন সম্পদ / জ্ঞান আছে? আমি জানি যে এটির জন্য নিউরাল নেটওয়ার্ক ব্যবহার করা সম্ভব।

— mmmmmmmmmm
সূত্র

6

এলোমেলো বন এটি ভালভাবে পরিচালনা করে, দেখুন একাধিক আউটপুট সহ একটি এলোমেলো বন সম্ভব / ব্যবহারিক হতে পারে? বা সাইকিট শিখার ডকুমেন্টেশন । আমার ধারণা জিবিএম বা গাছ ভিত্তিক যে কোনও পদ্ধতি একই ধরণের রূপান্তরিত হতে পারে।

আরও সাধারণভাবে, আপনি যখন কোনও স্কোরকে ন্যূনতম করে শেখার অ্যালগরিদম চালান, আপনি সাধারণত হ্রাস করতে কাজ করেন যা এক-মাত্রিক। তবে আপনি যে কোনও লক্ষ্য ফাংশন নির্দিষ্ট করতে পারেন। আপনি যদি (দ্বি-মাত্রিক) অবস্থান পূর্বাভাস নিয়ে কাজ করে থাকেন তবে ভাল মেট্রিক হবে। $\sum_i(p_i-y_i)^2$ $\sum_i(\hat{y}_i-y_i)^2+(\hat{x}_i-x_i)^2$

আপনার যদি মিশ্র টাইপ আউটপুট (শ্রেণিবদ্ধকরণ এবং রিগ্রেশন) থাকে তবে লক্ষ্য ফাংশন নির্দিষ্ট করে তুলতে সম্ভবত আপনার লক্ষ্য লক্ষ্য নির্দিষ্ট করতে হবে যা অন্যর চেয়ে কিছু লক্ষ্যকে আরও বেশি ওজন দেয়: আপনি ক্রমাগত প্রতিক্রিয়াগুলিতে কোন স্কেলিং প্রয়োগ করেন? আপনি মিস-ক্লাসিফিকেশনগুলিতে কোন ক্ষতি প্রয়োগ করেন?

আরও একাডেমিক পড়া হিসাবে,

এসভিএম স্ট্রাকচারড লার্নিংয়ের উইকিপিডিয়া

একসাথে একাধিক আউটপুট রিগ্রেশন জন্য আউটপুট এবং কার্য কাঠামো লাভ

একাধিক আউটপুট পূর্বাভাসের জন্য ল্যান্ডমার্ক নির্বাচন পদ্ধতি (উচ্চ মাত্রিক নির্ভরশীল ভেরিয়েবলগুলির সাথে সম্পর্কিত)

— RUser4512
সূত্র

1

প্রদত্ত মাল্টি-টার্গেট রিগ্রেশন এছাড়াও ওয়াইয়ের মধ্যে সম্পর্কের মডেল করার ইচ্ছা করে, আপনি কি কোনও ক্ষতি ফাংশন চাইবেন না যা সেই সম্পর্কের উপযুক্ততা পরিমাপ করে?

— সর্বাধিক গেনিস

3

এই কাগজটি বর্তমান পদ্ধতিগুলি, উপলব্ধ সরঞ্জামদণ্ডগুলি, পাশাপাশি পরীক্ষা করার জন্য ডেটাসেটগুলি বর্ণনা করার জন্য একটি ভাল কাজ করে।

আমি মাল্টি-টার্গেট রিগ্রেশন প্রয়োজন এমন একটি বাণিজ্যিক সমস্যায় কাজ করতে পেরেছি এবং আমি দেখতে পেয়েছি যে ক্লাস টুলকিটটিতে উচ্চ কার্যকারিতা এবং দৃust়তার একটি ভাল মিশ্রণ রয়েছে

ডকুমেন্টেশন দুর্দান্ত
এই টুলকিটটিতে মাল্টি-টার্গেট শ্রেণিবদ্ধকরণ এবং রিগ্রেশন উভয়ের জন্য বেশ কয়েকটি পদ্ধতি রয়েছে
এটি নিয়ম-ভিত্তিক আনয়ন এবং ক্লাস্টারিংকে সমর্থন করে।
আমি যে এনসেম্বল মডেলগুলি (ব্যাগিং, র‌্যান্ডমফোরেস্ট) ব্যবহার করেছি সেগুলি সহজেই পড়ে এবং ব্যাখ্যা করা যায়।

মুলান টুলকিটের এক্সটেনশন হিসাবে কিছু নতুন পদ্ধতি (২০১২-এর পরে) প্রয়োগ করা হয়েছে, এখানে গিথুব লিঙ্কটি রয়েছে । যদিও র্যান্ডম লিনিয়ার টার্গেট কম্বিনেশনগুলির মতো এই পদ্ধতিগুলি নকশা করা মডেলগুলির তুলনায় আরও ভাল পারফরম্যান্সের প্রতিবেদন করে, আমি দেখতে পেলাম যে টুলকিট ক্লাস টুলকিটের মতো পরিপক্ক নয় এবং তাই সেগুলি ব্যবহার করে নি।

— shark8me
সূত্র

0

একজন বায়েশিয়ান এই ধরণের সমস্যাটি গ্রহণ করে: মিশ্র প্রকারের স্থানিকভাবে সূচকযুক্ত ডেটার জন্য বয়েসিয়ান অ-প্যারাম্যাট্রিক মডেল । একাধিক প্রতিক্রিয়া উপাদান বিভিন্ন বিতরণ করা এলোমেলো ভেক্টর এবং এর লিঙ্ক ফাংশন দ্বারা পরিচালিত হচ্ছে। যাতে সম্পূর্ণ প্রতিক্রিয়া হ'ল নরমালগুলির একটি ভেক্টর, গণনার ভেক্টর এবং বার্নোলিসের ভেক্টর a

— অনুমান
সূত্র