দুর্ভাগ্যবশত, এই প্রশ্ন করে না একটি ভাল উত্তর আছে। আপনি কেবল কয়েকটি অতি সাধারণ পছন্দ উল্লেখ করার জন্য সম্ভাব্যতাকে দন্ডিত করে এমন কিছু মানদণ্ড (যেমন এআইসি, বিআইসি) ব্যবহার করে নিখুঁত ত্রুটি, স্কোয়ার ত্রুটি হ্রাস করে, সম্ভাবনা সর্বাধিক করে তোলে তার উপর ভিত্তি করে আপনি সেরা মডেলটি চয়ন করতে পারেন। সমস্যাটি হ'ল এই মানদণ্ডগুলির মধ্যে দুটিই আপনাকে উদ্দেশ্যমূলকভাবে সেরা মডেল বাছাই করতে দেবে না, বরং আপনি যেটির তুলনা করেছেন তার চেয়ে সেরা। আরেকটি সমস্যা হ'ল আপনি অনুকূলিতকরণের সময় সর্বদা কিছু স্থানীয় সর্বাধিক / সর্বনিম্নে শেষ হতে পারেন। তবুও আরেকটি সমস্যা হ'ল মডেল নির্বাচনের জন্য আপনার পছন্দের মানদণ্ড বিষয়ীয় । অনেক ক্ষেত্রে আপনি সচেতনভাবে বা আধা-সচেতনভাবে, আপনি কী আগ্রহী সে বিষয়ে সিদ্ধান্ত নিন এবং এর ভিত্তিতে মানদণ্ডটি চয়ন করুন। জন্য উদাহরণস্বরূপ, এআইসির পরিবর্তে বিআইসি ব্যবহার করা কম প্যারামিটার সহ আরও পার্সিমোনিয়াস মডেল বাড়ে। সাধারণত, মডেলিংয়ের জন্য আপনি আরও পার্সামোনিয়াস মডেলগুলিতে আগ্রহী যা মহাবিশ্ব সম্পর্কে কিছু সাধারণ সিদ্ধান্তে নিয়ে যায়, যখন এটি পূর্বাভাস দেওয়ার জন্য এমনটি হয় না এবং কখনও কখনও আরও জটিল মডেলের আরও ভাল ভবিষ্যদ্বাণীপূর্ণ শক্তি থাকতে পারে (তবে এটি করতে হবে না এবং প্রায়শই হয় না এটা না). তবুও অন্যান্য ক্ষেত্রে, কখনও কখনও ব্যবহারিক কারণে আরও জটিল মডেলগুলি পছন্দ করা হয় , উদাহরণস্বরূপ, এমসিএমসির সাথে বয়েসিয়ান মডেলটি অনুমান করার সময়, হায়ারারিকিকাল হাইপারপ্রায়ার্সযুক্ত মডেলগুলি সহজগুলির চেয়ে সিমুলেশনে আরও ভাল আচরণ করতে পারে। অন্যদিকে, সাধারণত আমরা ওভারফিটিংয়ের বিষয়ে ভয় পাইএবং সহজ মডেলটির ওভারফিটিংয়ের ঝুঁকি কম থাকে, সুতরাং এটি একটি নিরাপদ পছন্দ। এর জন্য দুর্দান্ত উদাহরণ হ'ল একটি স্বয়ংক্রিয় পদক্ষেপের মডেল নির্বাচন যা সাধারণত সুপারিশ করা হয় না কারণ এটি সহজেই অতিমাত্রায় এবং পক্ষপাতদুষ্ট অনুমানের দিকে পরিচালিত করে। ওকামের ক্ষুরার সাথে একটি দার্শনিক যুক্তিও রয়েছে যে সহজতম মডেলটি পছন্দসই preferred আরও লক্ষ করুন, আমরা এখানে বিভিন্ন মডেলের তুলনা করার বিষয়ে আলোচনা করছি, বাস্তব জীবনের পরিস্থিতিতে এটি এমনও হতে পারে যাতে বিভিন্ন পরিসংখ্যানমূলক সরঞ্জাম ব্যবহার করা বিভিন্ন ফলাফলের দিকে নিয়ে যেতে পারে - সুতরাং পদ্ধতিটি বেছে নেওয়ার অতিরিক্ত স্তর রয়েছে!
এগুলি সমস্ত দুঃখজনক, তবে মনোরঞ্জনজনক, সত্য যে আমরা কখনই নিশ্চিত হতে পারি না। আমরা অনিশ্চয়তা দিয়ে শুরু করি, এটি মোকাবেলায় পদ্ধতিগুলি ব্যবহার করি এবং আমরা অনিশ্চয়তার সাথে শেষ করি। এটি বিপরীতমুখী হতে পারে, তবে স্মরণ করুন যে আমরা পরিসংখ্যানগুলি ব্যবহার করি কারণ আমরা বিশ্বাস করি যে পৃথিবী অনিশ্চিত এবং সম্ভাব্য (অন্যথায় আমরা ভাববাদীদের একটি ক্যারিয়ার বেছে নেব), সুতরাং কীভাবে আমরা সম্ভবত বিভিন্ন উপসংহারে শেষ করতে পারি? অবজেক্টিভ স্টপিংয়ের কোনও নিয়ম নেই, একাধিক সম্ভাব্য মডেল রয়েছে, সেগুলি সবই ভুল (ক্লিচির জন্য দুঃখিত!) কারণ তারা জটিল (ক্রমাগত পরিবর্তন এবং সম্ভাব্য) বাস্তবতা সহজ করার চেষ্টা করে। আমরা তাদের আরো কিছু আমাদের উদ্দেশ্যে অন্যদের চেয়ে দরকারী খুঁজে পেতে এবং কখনও কখনও আমরা কিθμ
আপনি আরও গভীরতর দিকে গিয়ে জানতে পারেন যে বাস্তবে "সম্ভাবনা" বলে কোনও জিনিস নেই - এটি আমাদের চারপাশের অনিশ্চয়তার কিছুটা কাছাকাছি এবং এটিকে প্রায় কাছাকাছি করার বিকল্প উপায় যেমন উদ্বিগ্ন যুক্তি (দেখুন কোসকো, ১৯৯৩) আলোচনার জন্য). এমনকি আমাদের পদ্ধতির ভিত্তিযুক্ত যে সমস্ত মৌলিক সরঞ্জাম এবং উপপাদাগুলি হয় তা হল আনুমানিক এবং এটি কেবলমাত্র সম্ভব নয়। আমরা কেবল এই ধরনের সেটআপে নিশ্চিত হতে পারি না।
আপনি যে স্টপিং রুলের সন্ধান করছেন তা সর্বদা সমস্যা-ভিত্তিক এবং বিষয়গত, অর্থাত্ পেশাদার তথাকথিত রায় ভিত্তিতে। যাইহোক, প্রচুর গবেষণার উদাহরণ রয়েছে যা প্রমাণ করেছে যে পেশাদাররা তাদের বিচারের ক্ষেত্রে প্রায়শই বেশি ভাল এবং কখনও কখনও এমনকি তাদের বিচারের চেয়েও খারাপ হন (যেমন ড্যানিয়েল কাহেনিমানের কাগজপত্র এবং বইগুলিতে পুনর্জীবিত ), যখন অতিরিক্ত আত্মবিশ্বাসের ঝুঁকিপূর্ণ (এটি আসলে কেন আমাদের মডেল সম্পর্কে "নিশ্চিত" হওয়ার চেষ্টা করা উচিত নয় সে বিষয়ে একটি তর্ক )।
কোসকো, বি (1993)। অস্পষ্ট চিন্তাভাবনা: অদ্ভুত যুক্তির নতুন বিজ্ঞান। নিউ ইয়র্ক: হাইপারিয়ন।