আমার কিছু ধারণা, যদিও সঠিক নাও হতে পারে।
আমরা বুঝতে পারি যে আমাদের যেমন নকশা রয়েছে (কবজ এবং লজিস্টিক ক্ষতির জন্য) আমরা উদ্দেশ্যগত ফাংশনটি উত্তল হতে চাই।
উত্তেজনা অবশ্যই একটি দুর্দান্ত সম্পত্তি, তবে আমি মনে করি সবচেয়ে গুরুত্বপূর্ণ কারণ হ'ল আমরা উদ্দেশ্যগত ফাংশনটি নন-শূন্য ডেরিভেটিভস রাখতে চাই , যাতে আমরা এটির সমাধানের জন্য ডেরিভেটিভগুলি ব্যবহার করতে পারি। উদ্দেশ্যমূলক ফাংশনটি উত্তেজনাকর হতে পারে, এক্ষেত্রে আমরা প্রায়শই কিছু স্থানীয় অপটিমা বা স্যাডল পয়েন্টে থামি।
এবং মজার বিষয় হল, এটি দুর্বলভাবে শ্রেণিবদ্ধ করা হলে এটি সঠিকভাবে শ্রেণিবদ্ধ উদাহরণগুলিকে শাস্তি দেয়। এটি একটি সত্যিই অদ্ভুত নকশা।
আমি মনে করি এই জাতীয় নকশার ধরণটি মডেলকে কেবল সঠিক ভবিষ্যদ্বাণী করতে নয়, ভবিষ্যদ্বাণী সম্পর্কে আত্মবিশ্বাসী হতেও পরামর্শ দেয়। যদি আমরা শাস্তি পেতে সঠিকভাবে শ্রেণিবদ্ধ দৃষ্টান্তগুলি না চাই, আমরা উদাহরণস্বরূপ, কব্জির ক্ষতি (নীল) 1 টি বাম দিকে সরিয়ে নিতে পারি, যাতে তারা আর কোনও ক্ষতি না করে। তবে আমি বিশ্বাস করি এটি প্রায়শই অনুশীলনের খারাপ ফলাফলের দিকে নিয়ে যায়।
কব্জা ক্ষতি এবং লজিস্টিক ক্ষতির মতো বিভিন্ন "প্রক্সি ক্ষতি ফাংশন" ব্যবহার করে আমাদের কী কী মূল্য দিতে হবে?
আইএমও বিভিন্ন ক্ষতির ফাংশন বেছে নিয়ে আমরা মডেলটিতে বিভিন্ন অনুমান নিয়ে আসছি। উদাহরণস্বরূপ, লজিস্টিক রিগ্রেশন লস (লাল) একটি বার্নোল্লি বিতরণ ধরেছে, এমএসই ক্ষতি (সবুজ) একটি গাউসিয়ান আওয়াজ ধরেছে।
পিআরএমএল-এ সর্বনিম্ন স্কোয়ার বনাম লজিস্টিক রিগ্রেশন উদাহরণ অনুসরণ করে আমি তুলনার জন্য কব্জা ক্ষতি যুক্ত করেছি।
চিত্রটিতে প্রদর্শিত হিসাবে, কব্জি ক্ষতি এবং লজিস্টিক রিগ্রেশন / ক্রস এন্ট্রপি / লগ-সম্ভাবনা / সফটপ্লাসের খুব ঘনিষ্ঠ ফলাফল রয়েছে, কারণ তাদের উদ্দেশ্যগত কার্যগুলি নিকটে (নীচের চিত্র), অন্যদিকে এমএসই সাধারণত বহিরাগতদের কাছে আরও সংবেদনশীল। কব্জি ক্ষতি সর্বদা একটি অনন্য সমাধান না কারণ এটি কঠোরভাবে উত্তল নয়।
তবে কবজ ক্ষতির একটি গুরুত্বপূর্ণ সম্পত্তি হ'ল, সিদ্ধান্তের সীমানা থেকে দূরে থাকা ডেটা পয়েন্টগুলি ক্ষতির ক্ষেত্রে কোনও অবদান রাখে না, সমাধানগুলি একই পয়েন্টগুলি সরিয়ে দেওয়া একই হবে।
বাকি পয়েন্টগুলিকে এসভিএমের প্রসঙ্গে সাপোর্ট ভেক্টর বলা হয়। যেখানে এসভিএম সর্বাধিক মার্জিন সম্পত্তি এবং একটি অনন্য সমাধান নিশ্চিত করতে নিয়মিত শব্দ ব্যবহার করে।
