সমস্যার দিকে আমার দৃষ্টিভঙ্গির ক্ষেত্রে বৈচিত্রের স্বার্থে আমি ধাপে ধাপে ধাপে ধাপে পরীক্ষা করছি। সুতরাং, আমার 2 টি প্রশ্ন রয়েছে:
পদক্ষেপের প্রতিরোধের সুবিধা কী কী? এর নির্দিষ্ট শক্তিগুলি কী কী?
হাইব্রিড পদ্ধতির বিষয়ে আপনি কী ভাবেন, যেখানে আপনি বৈশিষ্ট্যগুলি নির্বাচন করতে ধাপে ধাপে রিগ্রেশন ব্যবহার করেন এবং তারপরে নির্বাচিত সমস্ত বৈশিষ্ট্য একসাথে নিয়ে নিয়মিত প্রতিরোধ প্রয়োগ করবেন?
উত্তর:
পদক্ষেপের প্রতিরোধের প্রাথমিক সুবিধা হ'ল এটি গণনাগতভাবে দক্ষ। তবে এর কর্মক্ষমতা সাধারণত বিকল্প পদ্ধতির চেয়ে খারাপ। সমস্যাটি হ'ল এটি খুব লোভী। পরের রেজিস্ট্রার এবং ওজনকে 'হিমায়িত' করার জন্য কঠোর নির্বাচন করে, এটি প্রতিটি ধাপে স্থানীয়ভাবে অনুকূল, তবে সাধারণভাবে সাবওটিম্যাটাল পছন্দ করে। এবং, এটি তার অতীতের পছন্দগুলি সংশোধন করতে ফিরে যেতে পারে না।
আমি যতদূর সচেতন, নিয়ন্ত্রিত রিগ্রেশন (এলএএসএসও) এর তুলনায় স্টেপওয়াইজ রিগ্রেশন সাধারণত আনুকূল্যের বাইরে চলে গেছে , যা আরও ভাল সমাধান তৈরি করতে ঝোঁক।
তিবশিরানী (1996) । লাসোর মাধ্যমে রিগ্রেশন সঙ্কুচিত ও নির্বাচন
লাসো ওজনগুলির আদর্শকে দণ্ড দেয় , যা সমাধানে স্পারসিটি প্ররোচিত করে (অনেকগুলি ওজন শূন্যে বাধ্য হয়)। এটি ভেরিয়েবল নির্বাচন করে ('প্রাসঙ্গিক' ভেরিয়েবলগুলিকে ননজারো ওজন রাখার অনুমতি দেওয়া হয়)। স্পারসিটির ডিগ্রি পেনাল্টি শব্দটি দ্বারা নিয়ন্ত্রিত হয় এবং এটি নির্বাচন করতে কিছু পদ্ধতি অবশ্যই ব্যবহার করা উচিত (ক্রস-বৈধকরণ একটি সাধারণ পছন্দ)। লাসো ধাপে ধাপে রিগ্রেশন তুলনায় গণ্যতর নিবিড়, তবে বেশ কয়েকটি দক্ষ অ্যালগরিদম রয়েছে। কিছু উদাহরণ হ'ল কমপক্ষে অ্যাঙ্গেল রিগ্রেশন ( এলএআরএস ), এবং সমন্বিত বংশদ্ভুতের উপর ভিত্তি করে একটি পদ্ধতি ।
(২) আপনি যে পরামর্শ দিয়েছিলেন তার অনুরূপ পন্থাকে অরথোগোনাল ম্যাচিং সাধনা বলে। এটি মেলানো অনুসরণের একটি সাধারণীকরণ, যা সিগন্যাল প্রক্রিয়াজাতকরণের সাহিত্যে ধাপে ধাপে প্রতিরোধের নাম।
পতি ইত্যাদি। (1993) । অরথোগোনাল মেলানো সাধনা: তরঙ্গলেখী পচে যাওয়ার জন্য অ্যাপ্লিকেশনগুলির সাথে পুনরাবৃত্ত ফাংশন সান্নিধ্য
প্রতিটি পুনরাবৃত্তিতে, পরবর্তী সেরা নিবন্ধককে সক্রিয় সেটটিতে যুক্ত করা হয়। তারপরে, সক্রিয় সেটটিতে সমস্ত রেজিস্ট্রারদের জন্য ওজনগুলি পুনঃনির্মাণ করা হয়। পুনরায় ওজনীয় পদক্ষেপের কারণে, এই পদ্ধতির নিয়মিত ম্যাচিং সাধনা / পদক্ষেপের তুলনায় কম লোভী (এবং আরও ভাল পারফরম্যান্স রয়েছে)। তবে, এটি এখনও একটি লোভী অনুসন্ধান তাত্পর্যপূর্ণ নিয়োগ করে।
এই সমস্ত পদ্ধতির (ধাপে ধাপে রিগ্রেশন, লাসো এবং অরথোগোনাল ম্যাচিং সাধনা) নিম্নলিখিত সমস্যার প্রায় অনুমান হিসাবে বিবেচনা করা যেতে পারে:
একটি রিগ্রেশন প্রসঙ্গে কলামগুলি স্বাধীন ভেরিয়েবলের সাথে এবং নির্ভরশীল ভেরিয়েবলের সাথে correspond সিগন্যাল প্রসেসিংয়ে, কলামগুলি বেস ফাংশনগুলির সাথে সামঞ্জস্য করে এবং আনুমানিক সংকেত। লক্ষ্য ওজন একটি বিক্ষিপ্ত সেট খুঁজে পেতে যে শ্রেষ্ঠ (লিস্ট স্কোয়ার) এর পড়তা দিতে । আদর্শ কেবলমাত্র নন-জিরো এন্ট্রি সংখ্যা, মোট ছাত্র । দুর্ভাগ্যক্রমে, এই সমস্যাটি এনপি-হার্ড, সুতরাং অনুশীলনের ক্ষেত্রে আনুমানিক অ্যালগরিদমগুলি অবশ্যই ব্যবহার করা উচিত। লোভী অনুসন্ধান কৌশলটি ব্যবহার করে সমস্যার সমাধানের ধাপে ধাপে রিগ্রেশন এবং অরথোগোনাল ম্যাচিং সাধনা। লাসো একটি শিথিলকরণ ব্যবহার করে সমস্যার সমাধান করে করার আদর্শ আদর্শ। এখানে, অপ্টিমাইজেশনের সমস্যা উত্তল হয়ে উঠেছে (এবং এভাবে ট্র্যাকটেবল)। এবং, যদিও সমস্যাটি আর অভিন্ন নয়, সমাধানটি একই রকম। যদি আমি সঠিকভাবে স্মরণ করি তবে উভয়ই ল্যাসো এবং অরথোগোনাল মেলানো অনুসরণ নির্দিষ্ট শর্তে সঠিক সমাধানটি পুনরুদ্ধারে প্রমাণিত হয়েছে।
ধাপে ধাপে নির্বাচন সাধারণত ভাল ধারণা নয়। কেন তা বুঝতে, এটি আপনাকে আমার উত্তরটি পড়তে এখানে সহায়তা করতে পারে: স্বয়ংক্রিয় মডেল নির্বাচনের জন্য অ্যালগরিদম ।
সুবিধাগুলি যতদূর যায়, কম্পিউটারগুলি পরিচালনা করার জন্য সমস্ত সম্ভাব্য সংমিশ্রণগুলি অনুসন্ধান করার সময়, ধাপে ধাপে নির্বাচন করা সময় সাশ্রয় করেছিল এবং ট্র্যাকটেবল ছিল। তবে নোট করুন যে উপরে আমার লিঙ্কিত উত্তরে আলোচিত সমস্যাগুলি 'সেরা উপসেট' রিগ্রেশনকে ঠিক তেমন প্রযোজ্য, তাই ধাপে ধাপে ধাপে ভাল সমাধান তৈরি হয় না, কেবল একটি খারাপ সমাধান দ্রুত হয়।
হাইব্রিড পদ্ধতির আপনার ধারণাটি ঠিক থাকবে, যতক্ষণ না দ্বিতীয় মডেলটি (নির্বাচিত বৈশিষ্ট্য সহ) কোনও নতুন ডেটাসেটে লাগানো থাকে ।
স্টেপওয়াস রিগ্রেশন কী তা সন্ধান করার জন্য আমি একটি গুগল অনুসন্ধান করেছি। আমি এটি পুরোপুরি বুঝতে পেরেছি কিনা তা নিশ্চিত নই, তবে এখানে আমার প্রথম চিন্তাভাবনা রয়েছে