নির্ভুলতা হ্রাসের ফলে বৈশিষ্ট্যগুলির বর্ধমান সংখ্যার ফলাফল কিন্তু যথার্থ / প্রত্যাহার বৃদ্ধি increase

Question

আমি মেশিন লার্নিংয়ে নতুন। এই মুহুর্তে আমি এনএলটিকে এবং পাইথন ব্যবহার করে একটি ধনাত্মক, নেতিবাচক বা নিরপেক্ষ হিসাবে 3 শ্রেণিতে ছোট পাঠ্যকে শ্রেণিবদ্ধ করার জন্য একটি নেভ বেইস (এনবি) শ্রেণিবদ্ধ ব্যবহার করছি।

কিছু পরীক্ষা করার পরে, 300,000 দৃষ্টান্ত (16,924 ধনাত্মক 7,477 নেতিবাচক এবং 275,599 নিরপেক্ষ) সমন্বিত একটি ডেটাসেটের সাহায্যে আমি জানতে পেরেছি যে আমি যখন বৈশিষ্ট্যের সংখ্যা বৃদ্ধি করি তখন যথার্থতা নিচে চলে যায় তবে ইতিবাচক এবং নেতিবাচক শ্রেণীর যথার্থতা / পুনরুদ্ধার উপরে উঠে যায়। এটি কোনও এনবি শ্রেণিবদ্ধের জন্য সাধারণ আচরণ? আমরা কি বলতে পারি যে আরও বৈশিষ্ট্য ব্যবহার করা আরও ভাল হবে?

কিছু তথ্য:

Features: 50    
Accuracy: 0.88199
F_Measure Class Neutral 0.938299
F_Measure Class Positive 0.195742
F_Measure Class Negative 0.065596

Features: 500   
Accuracy: 0.822573
F_Measure Class Neutral 0.904684
F_Measure Class Positive 0.223353
F_Measure Class Negative 0.134942

আগাম ধন্যবাদ...

2011/11/26 সম্পাদনা করুন

আমি নেভ বেইস শ্রেণিবদ্ধের সাথে 3 টি পৃথক বৈশিষ্ট্য নির্বাচন কৌশল (ম্যাক্সফ্রেইক, ফ্রিকেন্ট, ম্যাক্সিনফোগেইন) পরীক্ষা করেছি। প্রথমে এখানে ক্লাসে যথাযথতা এবং এফ 1 ব্যবস্থা রয়েছে:

তারপরে আমি শীর্ষ 100 এবং শীর্ষস্থানীয় 1000 বৈশিষ্ট্য সহ MAXINFOGAIN ব্যবহার করার সময়, ট্রেনের ত্রুটি এবং পরীক্ষামূলক ত্রুটিটিকে বর্ধিত প্রশিক্ষণ সেট দিয়ে প্লট করেছি:

সুতরাং, এটি আমার কাছে মনে হয় যে ফ্রিকেন্টের সাথে সর্বাধিক নির্ভুলতা অর্জিত হয়েছে, তবে ম্যাক্সিনফোগেইন ব্যবহার করে সেরা শ্রেণিবদ্ধকারী এটি কি সঠিক ? শীর্ষ 100 বৈশিষ্ট্যগুলি ব্যবহার করার সময় আমাদের পক্ষপাতিত্ব রয়েছে (পরীক্ষার ত্রুটি ট্রেনের ত্রুটির কাছাকাছি রয়েছে) এবং আরও প্রশিক্ষণের উদাহরণ যুক্ত করা সাহায্য করবে না। এটি উন্নত করতে আমাদের আরও বেশি বৈশিষ্ট্য প্রয়োজন। 1000 টি বৈশিষ্ট্য সহ, পক্ষপাত হ্রাস পায় তবে ত্রুটি বৃদ্ধি পায় ... এটি কি ঠিক? আমার আরও বৈশিষ্ট্য যুক্ত করা উচিত? আমি কীভাবে এটি ব্যাখ্যা করতে জানি না ...

আবার ধন্যবাদ...

Comments

এটি "সেরা শ্রেণিবদ্ধকারী" বলতে আপনি কী বোঝাতে চান তার উপর নির্ভর করে, যদি আপনার কাজটি সামগ্রিকভাবে যথার্থতার সাথে শ্রেণিবদ্ধকারী তৈরি করে চলেছে তবে আমি ফ্রিকেন্ট নির্বাচন করব। অন্যদিকে, যদি সর্বাধিক বিরল শ্রেণিবিন্যাসের কাজের মতো, আপনি বিরল শ্রেণিকে আরও ভাল শ্রেণিবদ্ধ করতে চান (এটি "নেতিবাচক" বা "ধনাত্মক" শ্রেণি হতে পারে) আমি ম্যাক্সিনফোগেইনকে বেছে নেব। আমি মনে করি আপনার শেখার কার্ভের ব্যাখ্যাটি সঠিক: আপনার 100 টি বৈশিষ্ট্য সহ পক্ষপাত রয়েছে এবং আপনি এগুলি যোগ করতে পারেন 1000 সহ আপনার বৈচিত্র রয়েছে এবং আপনি সেগুলি মুছে ফেলতে পারেন। আরও ভাল ফলাফল পেতে আপনি 100 এবং 1000 বৈশিষ্ট্যের মধ্যে একটি বাণিজ্য বন্ধ চেষ্টা করতে পারেন।

— সাইমন

আপনার সহায়তার জন্য ধন্যবাদ, সিমোন! আমি শেষ অংশটি ছাড়াও সমস্ত কিছু বুঝতে পেরেছি ... আপনি কি দয়া করে আমাকে 1000 বৈশিষ্ট্যের সাথে উচ্চতর বৈচিত্রটি কীভাবে দেখবেন তা আমাকে বলতে পারেন? যেহেতু পরীক্ষা এবং ট্রেনের ত্রুটির মধ্যে পার্থক্যটি এখনও এটি আমার পক্ষে পক্ষপাতিত্বের মতো মনে হচ্ছে না ...

— kanzen_master

আমি আমার উত্তরে কিছু উদাহরণ রেখেছি। যখন কার্ভগুলি খুব কাছাকাছি না হয় তখন সমস্যাটি উচ্চ বৈকল্পিক হিসাবে শ্রেণীবদ্ধ করা হয় । আপনার ক্ষেত্রে, সম্ভবত আমি আপনাকে বলেছিলাম যেহেতু কম বৈশিষ্ট্যের সাথে আপনি আরও ভাল পারফরম্যান্স পাবেন, এবং তাই 1000 বৈশিষ্ট্যগুলির সাথে উচ্চতর বৈকল্পের সমস্যা হতে পারে। প্রশিক্ষণের সেটটিতে গণনা করা বৈশিষ্ট্যগুলির সাথে বৈশিষ্ট্য নির্বাচনের অ্যালগরিদমের ফলাফলগুলি প্লট করার পরিবর্তে প্রশিক্ষণের ক্ষেত্রে আপনার ডেটাগুলি বিভক্ত করার চেষ্টা করুন (তার মধ্যে 2/3) এবং বৈধতা, তারপরে প্রশিক্ষণ সেটে বৈশিষ্ট্য নির্বাচনগুলি সম্পাদন করুন এবং পরীক্ষার সেটটিতে এটি মূল্যায়ন করুন । প্লটের মাঝখানে আপনার সর্বাধিক সন্ধান করা উচিত।

— সিমোন

উত্তরের জন্য ধন্যবাদ। আপনার আপডেট হওয়া পোস্টের তৃতীয় উদাহরণ (ভাল ফলাফল, ট্রেন, পরীক্ষার ত্রুটি বক্ররেখা খুব বেশি খুব কাছাকাছিও নয়) আমি শেখার বক্রের মতো দেখেছি যা 1000 বৈশিষ্ট্যগুলি ব্যবহার করে পরিকল্পনা করা হয়েছিল, তাই আমি ভেবেছিলাম প্রায় 1000 বৈশিষ্ট্য ব্যবহার করা একটি "ভাল ফলাফল" হবে " তবে এক্ষেত্রে ত্রুটি বেশি, যা ভাল নয়। তবে, কেবল বক্ররেখার মধ্যবর্তী দূরত্বের দিকে তাকালে আমি 1000 বৈশিষ্ট্যগুলির সাথে উচ্চতর বৈকল্পিকতা দেখতে পাচ্ছি না ... (উপায় দ্বারা, আমি ইতিমধ্যে 2/3 তে প্রশিক্ষণ সেট হিসাবে 1/3 পরীক্ষার সেট হিসাবে বৈশিষ্ট্য সম্পাদন করে ডেটা বিভক্ত করছি প্রশিক্ষণ সেটে নির্বাচন, এবং পরীক্ষার সেটের উপর মূল্যায়ন ...)

— কানজেন_মাস্টার

ঠিক আছে. আমি বক্ররেখ শিখতে বেশ নতুন এবং আপনার উদাহরণগুলি সত্যই আকর্ষণীয় ছিল এবং সেগুলি সম্পর্কে আমাকে অন্তর্দৃষ্টি অর্জন করেছে। সুতরাং, ধন্যবাদ ডি টি। হ্যাঁ, উভয় ক্ষেত্রে পক্ষপাত থাকতে পারে। আমার মতে আপনার কাছে খুব স্কিউড ডেটা সেট রয়েছে এবং নির্ভুলতার পরীক্ষার চেয়ে এফ-পরিমাপের দিকে নজর রাখা জরুরী। আপনার প্লটগুলির দিকে নজর রাখলে মনে হয় আপনার আরও বৈশিষ্ট্যগুলি আরও ভাল; আসলে, এফ-পরিমাপ উন্নতি করে। আমি শুনেছি পাঠ্যের শ্রেণিবদ্ধকরণে, আপনি যদি আপনার পাঠ্যের শব্দের ফ্রিকোয়েন্সি হন তবে প্রচুর বৈশিষ্ট্য ব্যবহার করা সাধারণ; বিটিডব্লিউ আমি এর অভ্যস্ত নই এবং আপনাকে আরও কিছু বলতে পারি না।

— সাইমন

Answer 1

নির্ভুলতা বনাম এফ-পরিমাপ

প্রথমত, আপনি যখন কোনও মেট্রিক ব্যবহার করেন তখন আপনাকে এটি কীভাবে খেলতে হবে তা জানা উচিত। নির্ভুলতা সমস্ত শ্রেণি জুড়ে সঠিকভাবে শ্রেণিবদ্ধ উদাহরণগুলির অনুপাত পরিমাপ করে। এর অর্থ হ'ল, যদি এক শ্রেণীর চেয়ে অন্য শ্রেণি প্রায়শই ঘটে তবে ফলস্বরূপ নির্ভুলতা স্পষ্টতই প্রভাবশালী শ্রেণীর যথার্থতার দ্বারা প্রাধান্য পায়। আপনার ক্ষেত্রে যদি কেউ একটি মডেল এম তৈরি করে যা প্রতিটি উদাহরণের জন্য "নিরপেক্ষ" এর পূর্বাভাস দেয় তবে ফলাফলটি সঠিক হবে

$acc=\frac{neutral}{(neutral + positive + negative)}=0.9188$

ভাল, কিন্তু অকেজো।

সুতরাং বৈশিষ্ট্যগুলি সংযোজন ক্লাসে পার্থক্য করার জন্য NB এর শক্তি পরিষ্কারভাবে উন্নত করেছে, তবে "ইতিবাচক" এবং "নেতিবাচক" একটি অনুমানের দ্বারা পূর্বাভাস দেওয়ার মাধ্যমে একটি নিরপেক্ষ শ্রেণিবদ্ধ হয় এবং তাই নির্ভুলতা হ্রাস পায় (মোটামুটি কথ্য)। এই আচরণটি এনবি থেকে স্বাধীন।

কম বেশি বৈশিষ্ট্য?

সাধারণভাবে আরও বৈশিষ্ট্য ব্যবহার করা ভাল নয়, তবে সঠিক বৈশিষ্ট্যগুলি ব্যবহার করা। আরও বৈশিষ্ট্যগুলি আরও ভালভাবে ইনফার হয় যে কোনও বৈশিষ্ট্য নির্বাচন অ্যালগরিদমের সর্বোত্তম উপসেটটি সন্ধানের জন্য আরও পছন্দ রয়েছে (আমি এক্সপ্লোর করার পরামর্শ দিই: ক্রসওলটিভেটেডের বৈশিষ্ট্য-নির্বাচন )। যখন এনবি এর কথা আসে, একটি দ্রুত এবং শক্ত (তবে সর্বোত্তমের চেয়ে কম) পদ্ধতির হ'ল ইনফরমেশনগেইন (অনুপাত) হ'ল বৈশিষ্ট্যগুলিকে ক্রমান্বয়ে বাছাই করতে এবং শীর্ষ কে নির্বাচন করুন।

আবার এই পরামর্শটি (ইনফরমেশনগেইন বাদে) শ্রেণিবিন্যাস অ্যালগরিদম থেকে স্বতন্ত্র।

27.11.11 সম্পাদনা করুন

বৈশিষ্ট্যগুলির সঠিক সংখ্যা নির্বাচন করতে পক্ষপাত এবং বৈচিত্র সম্পর্কে অনেক বিভ্রান্তি দেখা দিয়েছে। অতএব আমি এই টিউটোরিয়ালটির প্রথম পৃষ্ঠাগুলি পড়ার পরামর্শ দিচ্ছি: বায়াস-ভেরিয়েন্স ট্রেড অফ । মূল সারমর্মটি হ'ল:

• হাই বায়াস মানে, মডেলটি সর্বোত্তমের চেয়ে কম, অর্থাত্ পরীক্ষার ত্রুটি বেশি (সিমোন যেমন রাখে তেমন)
• হাই ভেরিয়েন্সটির অর্থ, মডেলটি তৈরি করতে ব্যবহৃত নমুনার প্রতি খুব সংবেদনশীল । এর অর্থ, ত্রুটিটি ব্যবহৃত প্রশিক্ষণ সংস্থার উপর নির্ভর করে এবং এর ফলে ত্রুটির ভিন্নতা (বিভিন্ন ক্রসওয়েডিয়েশন-ফোল্ডগুলি জুড়ে মূল্যায়ন করা) অত্যন্ত পৃথক হবে fer (overfitting)

ত্রুটি ষড়যন্ত্র করা হয়েছে বলে পরিকল্পনা করা শিখন-বক্ররেখাগুলি অবশ্যই বায়াসকে নির্দেশ করে indicate তবে, আপনি যা দেখতে পাচ্ছেন না তা হ'ল ভেরিয়েন্স, যেহেতু ত্রুটির আত্মবিশ্বাস-বিরতি একেবারেই চক্রান্ত করা হয়নি।

উদাহরণ:-বার একটি 3-গুণ ক্রুশিয়ালিফিকেশন সম্পাদন করার সময় (হ্যাঁ, বিভিন্ন ডেটা বিভাজনের সাথে পুনরাবৃত্তি করার পরামর্শ দেওয়া হয়, কোহাবী 6 টি পুনরাবৃত্তি প্রস্তাব করে), আপনি 18 টি মান পাবেন। আমি এখন এটি আশা করব ...

• অল্প সংখ্যক বৈশিষ্ট্য সহ, গড় ত্রুটি (পক্ষপাত) কম হবে তবে ত্রুটির (18 টি মানের) ভেরিয়েন্স বেশি হবে।
• একটি উচ্চ সংখ্যক বৈশিষ্ট্য সহ, গড় ত্রুটি (পক্ষপাত) বেশি হবে তবে ত্রুটির ভিন্নতা (18 টি মানের) কম হবে।

ত্রুটি / পক্ষপাতের এই আচরণটি আমরা আপনার প্লটগুলিতে ঠিক দেখতে পাই। বৈকল্পিকতা সম্পর্কে আমরা কোনও বিবৃতি দিতে পারি না। কার্ভগুলি একে অপরের নিকটবর্তী হওয়ার ইঙ্গিত হতে পারে যে পরীক্ষার সেটটি প্রশিক্ষণের সেটের মতো একই বৈশিষ্ট্যগুলি দেখানোর জন্য যথেষ্ট বড় এবং তাই পরিমাপ করা ত্রুটি নির্ভরযোগ্য হতে পারে তবে এটি (কমপক্ষে যতদূর আমি বুঝতে পেরেছি) এটি) বৈকল্পিকতা (ত্রুটির!) সম্পর্কে বিবৃতি দেওয়ার পক্ষে যথেষ্ট নয়।

আরও এবং আরও প্রশিক্ষণের উদাহরণ যুক্ত করার সময় (পরীক্ষার-সেটটির আকার স্থির রেখে), আমি প্রত্যাশা করব যে উভয় পদ্ধতির (ছোট এবং উচ্চতর বৈশিষ্ট্যগুলির বৈশিষ্ট্য) হ্রাস পাবে।

ওহ, এবং প্রশিক্ষণের নমুনায় কেবলমাত্র ডেটা ব্যবহার করে বৈশিষ্ট্য নির্বাচনের জন্য ইনফোগেইন গণনা করতে ভুলবেন না ! একটিকে বৈশিষ্ট্য নির্বাচনের জন্য সম্পূর্ণ ডেটা ব্যবহার করার জন্য প্রলুব্ধ করা হয় এবং তারপরে ডেটা পার্টিশন করা এবং ক্রসওয়েডিয়েশন প্রয়োগ করা যায় তবে এটি অত্যধিক ফিটনেসকে বাড়ে। আমি জানি না আপনি কী করেছিলেন, এটি কেবল একটি সতর্কতা যা কখনও ভুলে যাওয়া উচিত নয়।

Comments

আপনার জবাবের জন্য আপনাকে অনেক ধন্যবাদ, খুব স্পষ্ট ব্যাখ্যা। আমি আমার বৈশিষ্ট্য নির্বাচন কৌশল হিসাবে সর্বাধিক তথ্য লাভটি ব্যবহার করছি এবং 5-গুণ ক্রস বৈধতা ব্যবহার করে পরীক্ষা করছি। আমি অনুমান করি যে শীর্ষস্থানীয় কে বৈশিষ্ট্যগুলি গ্রহণ করা উচিত তা জানতে আমার প্রতিবার বৈশিষ্ট্যের সংখ্যা বৃদ্ধি করে অ্যালগরিদমটি পুনরাবৃত্তিভাবে পরীক্ষা করা দরকার এবং কে দিয়ে যা সর্বোচ্চ f_score দেয় taking তবে, আমি অনুমান করি যে ডেটা সেটের উপর নির্ভর করে "শীর্ষ কে" পরিবর্তন হতে পারে ... ঠিক?

— কানজেন_মাস্টার

সঠিক। তবে নতুন ডেটাসেটটি যদি পুরনোটির মতো হয় (একই বিতরণ সহ একই বৈশিষ্ট্য) কে একই থাকে। সম্ভাব্য সমাধানগুলির স্থানটি দ্রুত অনুসন্ধান করতে আপনি জেনেটিক অ্যালগরিদম যুক্ত করতে পারেন বা (আরও ভাল) জেনেটিক অ্যালগরিদম ব্যবহার করে ইনফরমেশনগেইনের সর্বোত্তম বৈশিষ্ট্য উপসেটটি সন্ধান করতে ... আরও অনেকগুলি উপায় যেতে পারেন।

— স্টেফেন

স্ট্যানফোর্ডের বক্তৃতাগুলি অনুসারে, যদি আপনি প্রশিক্ষণের উদাহরণগুলির # টির সাথে বিভিন্নভাবে পৃথকীকৃত প্রশিক্ষণ এবং পরীক্ষার বক্ররেখা দেখতে পান তবে এর প্রকৃত অর্থ হ'ল তারতম্য রয়েছে। অবশ্যই একটি ভাল পদ্ধতির আত্মবিশ্বাসের অন্তরগুলি অনুমান করা হবে।

— সাইমন

@ ডিটি ১. আমি বক্তৃতাটি জানি না, তাই আমি এন্ড্রুগের ব্যাখ্যাটি আমার সাথে সংযুক্ত করতে পারি না, দুঃখিত। ২. নং বৈশিষ্ট্যগুলির সংখ্যার সংখ্যা => ওভারফিটিং => নিম্ন পক্ষপাত, উচ্চ বৈকল্পিক। বৈশিষ্ট্যগুলির উচ্চ সংখ্যা => আন্ডারফিটিং => উচ্চ পক্ষপাত, কম বৈকল্পিক। আমি সত্যিই বিভিন্ন সংখ্যক বৈশিষ্ট্য এবং প্রশিক্ষণের উদাহরণগুলির জন্য সিভি-ফোল্ডগুলির ত্রুটির পরিবর্তনের প্লট করার পরামর্শ দিই।

— স্টেফেন

1. স্টেফেন, বক্তৃতাটি এখানে পাওয়া যায়: ml-class.org/course/video/preview_list　(পার্ট এক্স, বিভাগ "শেখার বক্ররেখা") 2. আমি দেখতে পাচ্ছি। আমি ভাবছিলাম যে প্রশিক্ষণের সময় প্রচুর বৈশিষ্ট্যগুলি শিখলে => মডেল জটিল হয়ে যায়, এবং প্রশিক্ষণের সেটটি => ভেরিয়েন্সকে

— অত্যধিক করে তোলে

Answer 2

আরও বৈশিষ্ট্যগুলি ব্যবহার করা দরকারী কিনা তা জানতে আমি শিখনের বক্ররেখা প্লট করব। আমি মনে করি স্ট্যানফোর্ডের মেশিন লার্নিং ক্লাসের 10 ম ইউনিটে এটি পরিষ্কারভাবে ব্যাখ্যা করা হয়েছে, "মেশিন লার্নিং প্রয়োগের জন্য পরামর্শ" নামক যেটি আপনি এখানে পেতে পারেন: http://www.ML-class.org/course/video/preview_list ।

প্লটিং লার্নিং কার্ভগুলি আপনি বুঝতে পারবেন যদি আপনার সমস্যা হয় উচ্চ পক্ষপাত বা উচ্চতর বৈকল্পিক। যতক্ষণ আপনি প্রশিক্ষণের উদাহরণ সংখ্যা বৃদ্ধি করেন ততক্ষণ আপনি প্রশিক্ষণের ত্রুটি এবং পরীক্ষার ত্রুটি (অর্থাত্ 1-যথার্থতা) প্লট করা উচিত , পরবর্তীটি আপনার ডেটা সেটের উপর নির্ভর করে আপনার শ্রেণিবদ্ধের ত্রুটি। যদি এই রেখাচিত্রগুলি একে অপরের কাছাকাছি থাকে তবে আপনার উচ্চ পক্ষপাতের সমস্যা রয়েছে এবং আরও বৈশিষ্ট্যগুলি সন্নিবেশ করানো সম্ভবত উপকারী হবে। অন্যদিকে, যদি আপনি প্রশিক্ষণের উদাহরণগুলির সংখ্যা বাড়িয়ে দেন তবে আপনার বক্ররেখাগুলি যদি বেশ আলাদা হয়ে যায় তবে আপনার উচ্চমাত্রার সমস্যা রয়েছে। এই ক্ষেত্রে আপনার ব্যবহার করা বৈশিষ্ট্যের সংখ্যা হ্রাস করা উচিত।

সম্পাদন করা

$\lambda$

$\lambda$

$\lambda$

$\lambda=1$

Comments

গ্রেট! আপনাকে অনেক ধন্যবাদ! যেহেতু উভয় উত্তর সত্যই সহায়ক ছিল কিন্তু আমি উভয়কে উত্তর হিসাবে চিহ্নিত করতে পারি না, আমি প্রথমটিকে উত্তর হিসাবে চিহ্নিত করব। তবে এটি অবশ্যই চেক করার সর্বোত্তম উপায়, আমি মনে করি।

— কানজেন_মাস্টার

যাইহোক, আমি একটি শ্রেণিবদ্ধের শেখার বক্ররেখা প্লট করার চেষ্টা করছি যা সর্বোচ্চ তথ্য লাভ স্কোর সহ শীর্ষ 100 বৈশিষ্ট্য ব্যবহার করে। প্রশিক্ষণের ডেটা সেট আকার বাড়ানোর সময় আমি প্রশিক্ষণের ত্রুটি এবং পরীক্ষার ত্রুটি প্লট করতে চাই। প্রাথমিক ট্রেনের ডেটা সেট (ধীরে ধীরে বৃদ্ধি করার জন্য) এবং পরীক্ষার ডেটা সেট (সমস্ত পরীক্ষার জন্য স্থিতিশীল) আকারগুলির জন্য কোনটি হওয়া উচিত? আবারও ধন্যবাদ ...

— kanzen_master

আপনার ডেটা সেটটিকে একটি প্রশিক্ষণ সেট এবং একটি পরীক্ষার সেটে বিভক্ত করুন। খুব কম প্রশিক্ষণের রেকর্ড থেকে শুরু করুন এবং তারপরে রেকর্ড যুক্ত করা চালিয়ে যান। প্রতিটি পুনরাবৃত্তির জন্য আপনি আপনার শ্রেণিবদ্ধকে প্রশিক্ষণ দিতে ব্যবহার করেছেন এমন রেকর্ডগুলির সাথে প্রশিক্ষণ সেট ত্রুটির গণনা করুন এবং তারপরে সব পরীক্ষার রেকর্ডের সাথে সর্বদা পরীক্ষার সেট ত্রুটি গণনা করুন। আমি জানি এটি সাধারণ অভ্যাসে ব্যবহৃত একটি মান পদ্ধতি। আপনার ফলাফলগুলি দেখতে আকর্ষণীয় হবে! চিয়ার্স, সিমোন

— সিমোন

সিমোন, আমি প্রথম পোস্টটি নির্ভুলতার কিছু ফলাফল, এফ 1 ব্যবস্থা এবং শেখার বক্ররেখাগুলি এবং নীচে আমার ব্যাখ্যাটি আপডেট করেছি, আপনি দয়া করে এটি পরীক্ষা করে দেখতে পারেন? ধন্যবাদ ...

— kanzen_master