এসভিএম ব্যবহার করার সময়, আমাদের একটি কার্নেল নির্বাচন করতে হবে।
আমি আশ্চর্য হই যে কীভাবে কার্নেলটি নির্বাচন করতে হয়। কার্নেল নির্বাচনের কোনও মানদণ্ড?
এসভিএম ব্যবহার করার সময়, আমাদের একটি কার্নেল নির্বাচন করতে হবে।
আমি আশ্চর্য হই যে কীভাবে কার্নেলটি নির্বাচন করতে হয়। কার্নেল নির্বাচনের কোনও মানদণ্ড?
উত্তর:
কার্নেল কার্যকরভাবে একটি সাদৃশ্য পরিমাপ, সুতরাং রবিনের পরামর্শ অনুসারে আগতদের পূর্ববর্তী জ্ঞান অনুযায়ী কার্নেল নির্বাচন করা (+1) একটি ভাল ধারণা।
বিশেষজ্ঞের জ্ঞানের অভাবে, র্যাডিয়াল বেসিস ফাংশন কার্নেলটি একটি ভাল ডিফল্ট কার্নেল তৈরি করে (একবার এটি প্রতিষ্ঠিত হয়ে গেলে এটি একটি লিনিয়ার মডেলের প্রয়োজনে সমস্যা হয়)।
কার্নেল এবং কার্নেল / নিয়মিতকরণ পরামিতিগুলির পছন্দ ক্রস-ভ্যালডিয়েশন ভিত্তিক মডেল নির্বাচনের (বা ব্যাসার্ধ-মার্জিন বা স্প্যান সীমানা ব্যবহার করে) অনুকূলকরণের মাধ্যমে স্বয়ংক্রিয় করা যেতে পারে। সহজ কাজটি হ'ল নেল্ডার-মিড সিমপ্লেক্স পদ্ধতিটি ব্যবহার করে একটি অবিচ্ছিন্ন মডেল নির্বাচনের মানদণ্ডকে হ্রাস করা, যার জন্য গ্রেডিয়েন্ট গণনা প্রয়োজন হয় না এবং হাইপার-প্যারামিটারগুলির বুদ্ধিমান সংখ্যার জন্য ভাল কাজ করে। আপনার সুরের জন্য কয়েকটি হাইপার-প্যারামিটারের বেশি থাকলে, স্বয়ংক্রিয় মডেল নির্বাচনের ফলে মডেল নির্বাচনের মানদণ্ডের বৈকল্পিকতার কারণে মারাত্মক ওভার-ফিটিং হতে পারে। গ্রেডিয়েন্ট ভিত্তিক অপ্টিমাইজেশন ব্যবহার করা সম্ভব, তবে পারফরম্যান্স লাভটি এটিকে কোডিংয়ের প্রচেষ্টার পক্ষে যথাযথ নয়)।
কার্নেল এবং কার্নেল / নিয়মিতকরণ পরামিতিগুলির স্বয়ংক্রিয় পছন্দ একটি জটিল সমস্যা, কারণ মডেল নির্বাচনের মানদণ্ডটি (সাধারণত ক্রস-বৈধকরণ ভিত্তিক) সর্বোপরি ফিট করা খুব সহজ এবং আপনি শুরু করার চেয়ে খারাপ মডেলটি দিয়ে শেষ করতে পারেন। স্বয়ংক্রিয় মডেল নির্বাচনও পারফরম্যান্স মূল্যায়নের পক্ষপাত করতে পারে, সুতরাং আপনার পারফরম্যান্স মূল্যায়নের মডেলের ফিটনেস (প্রশিক্ষণ এবং মডেল নির্বাচন) পুরো প্রক্রিয়াটি মূল্যায়ন করে তা নিশ্চিত করুন, দেখুন
জিসি কাওলি এবং এনএলসি টালবট, হাইপার-প্যারামিটারগুলিকে নিয়মিতকরণের মাধ্যমে বায়সিয়ান নিয়মিতকরণের মাধ্যমে মডেল নির্বাচনের ওভার-ফিটিং প্রতিরোধ করা, মেশিন লার্নিং রিসার্চ জার্নাল, খণ্ড 8, পৃষ্ঠা 841-861, এপ্রিল 2007. (পিডিএফ)
এবং
জিসি কাওলি এবং এনএলসি টালবট, মডেল নির্বাচনের ওভার-ফিটিং এবং পারফরম্যান্স মূল্যায়নে পরবর্তী নির্বাচনের পক্ষপাত, মেশিন লার্নিং রিসার্চ জার্নাল, খণ্ড। 11, পৃষ্ঠা 2079-2107, জুলাই 2010. (পিডিএফ)
আপনি যদি সঠিক না হন তবে আপনি নির্বাচনের স্বয়ংক্রিয় কৌশলগুলি ব্যবহার করতে পারেন (যেমন ক্রস বৈধকরণ, ...)। এক্ষেত্রে আপনি এমনকি বিভিন্ন কার্নেলের সাথে প্রাপ্ত শ্রেণিবদ্ধের সংমিশ্রণ (যদি আপনার সমস্যা শ্রেণীবদ্ধ হয়) ব্যবহার করতে পারেন ।
তবে , কার্নেলের সাথে কাজ করার "সুবিধা" হ'ল আপনি সাধারণ "ইউক্যালিডিয়ান" জ্যামিতিটি পরিবর্তন করেন যাতে এটি আপনার নিজের সমস্যার সাথে খাপ খায়। এছাড়াও, আপনার সমস্যাটি বোঝার জন্য আপনার সমস্যার জন্য কার্নেলের আগ্রহ কী , আপনার সমস্যার জ্যামিতির ক্ষেত্রে বিশেষ কী তা বোঝার চেষ্টা করা উচিত । এর মধ্যে অন্তর্ভুক্ত থাকতে পারে:
আপনি যদি জানেন যে লিনিয়ার বিভাজকটি ভাল হবে তবে আপনি কার্নেলটি ব্যবহার করতে পারেন যা অ্যাফাইন ফাংশন দেয় (যেমন )। আপনি যদি ভাবেন যে মসৃণ কেএনএন-এর চেতনায় মসৃণ সীমানা আরও ভাল হতে পারে তবে আপনি গাউসীয় কর্নেল নিতে পারেন ...
আমার সর্বদা অনুভূতি আছে যে এসভিএমগুলির জন্য কোনও হাইপার প্যারামিটার নির্বাচন গ্রিড অনুসন্ধানের সাথে সংযুক্ত করে ক্রস বৈধকরণের মাধ্যমে করা হয়।
সাধারণভাবে, আরবিএফ কার্নেলটি একটি যুক্তিসঙ্গত প্রথম পছন্দ F তদ্ব্যতীত, লিনিয়ার কার্নেলটি আরবিএফের একটি বিশেষ ক্ষেত্রে, বিশেষত, যখন বৈশিষ্ট্যের সংখ্যা খুব বড় হয়, কেউ কেবল রৈখিক কার্নেলটি ব্যবহার করতে পারেন।