আমি এন্টারপ্রাইজ মাইনার ব্যবহার করে প্রায় 1% ইভেন্টের ডেটাসেটে গ্রেডিয়েন্ট বুস্ট করার চেষ্টা করছি, তবে এটি কোনও আউটপুট উত্পাদন করতে ব্যর্থ হচ্ছে। আমার প্রশ্নটি, যেহেতু এটি সিদ্ধান্তের ভিত্তিতে ভিত্তিক একটি পদ্ধতির পদ্ধতির, এত কম ইভেন্টের সাথে গ্রেডিয়েন্ট বুস্টিং ব্যবহার করা কি সঠিক?
3
আপনি ভারসাম্যহীন ডেটাসেট নিয়ে কাজ করছেন। এটির সাথে লড়াই করার পক্ষে বুস্টিং সত্যিই একটি ভাল উপায়। বিশদগুলির জন্য দেখুন stats.stackexchange.com/questions/157940/…
—
ডএল
তবে আমার জন্য লজিস্টিক রিগ্রেশন র্যান্ডম ফরেস্ট বা গ্রেডিয়েন্ট বুস্টিংয়ের চেয়ে ভাল ফলাফল দিচ্ছে। আমি বর্ধিত গাছ চেষ্টা করে আমার মডেলটির পারফরম্যান্সটি উন্নত করতে চেয়েছিলাম।
—
ব্যবহারকারী 2542275
বুস্টিং দুর্বল শ্রেণিবদ্ধদের উপর ভিত্তি করে। তাত্ত্বিকভাবে, কোনও দুর্বল শ্রেণিবদ্ধকারী যা এলোমেলোভাবে তুলনায় কিছুটা ভাল do অনুশীলনে বিভিন্ন অ্যালগরিদম কিছু ডেটা সেটের জন্য বেশি উপযুক্ত তাই আপনার চয়ন করা দুর্বল শ্রেণিবদ্ধকারী গুরুত্বপূর্ণ। আপনি যে অ্যালগরিদম ব্যবহার করেছেন, সেগুলির ফলাফল এবং ডেটা সেট সম্পর্কে আপনি আরও নির্দিষ্ট করতে পারেন?
—
ডএল
ঠিক আছে. ডেটাसेट সম্পর্কে: নমুনা আকার> 4 মি, ইভেন্টের হার = 1.2%। পূর্বাভাসের সংখ্যা যা উল্লেখযোগ্য পি-মান <0.05 হ'ল 150 হয়। বেশিরভাগ উল্লেখযোগ্য ভেরিয়েবলের সাথে লজিস্টিক রিগ্রেশন 20% জনসংখ্যায় 3 এর উত্তোলন দেয়। নিউরাল নেটওয়ার্ক প্রায় 2.8 এর একটি লিফট দিয়েছে। গ্রেডিয়েন্ট বুস্টিং কোনও আউটপুট উত্পাদিত করে না, যতক্ষণ না আমি বিপরীত পূর্বের ওজনগুলির সাথে স্ট্রেটেড নমুনা ব্যবহার করি। তবে পারফরম্যান্স খুব খারাপ।
—
ব্যবহারকারী 2542275
যেহেতু আপনার ডেটা সেটটি বেশ বড়, আপনার সংখ্যালঘু শ্রেণীর পর্যাপ্ত নমুনা থাকা উচিত, তাই আপেক্ষিক ভারসাম্যহীনতার কারণে সমস্যা। আপনার বেশ কয়েকটি বৈশিষ্ট্য রয়েছে তবে খুব বেশি নয়, তবে প্রকৃতপক্ষে সিদ্ধান্ত গাছ এই জাতীয় ডেটাসেটের জন্য কম উপযুক্ত। আমি আপনাকে পরামর্শ দিচ্ছি যে আপনি একটি ভারসাম্যপূর্ণ ডেটাসেট তৈরি করবেন এবং দেখুন যে এটিতে আপনার অ্যালগোরিদমগুলি কতটা ভালভাবে সম্পাদন করে। আমি প্রথম মন্তব্যে যেভাবে বর্ণনা করেছি সেভাবে আপনি মূল ডেটাसेटটিতে অ্যালগরিদম প্রয়োগ করতে সক্ষম হবেন।
—
ডএল