আপনার আবেদনের জন্য বাক্সের বাইরে 2-শ্রেণির শ্রেণিবদ্ধ কোনটি? [বন্ধ]

Question

নিয়মাবলী:

• উত্তর প্রতি এক শ্রেণিবদ্ধ
• আপনি যদি রাজি হন ভোট দিন
• ডাউনভোট / ডুপ্লিকেটগুলি সরান।
• আপনার আবেদন মন্তব্য করুন

Answer 1

এলোমেলো বন

• জটিল কাঠামো / অ-লাইন সম্পর্ক সহজেই ক্যাপচার করে
• ভেরিয়েবলের স্কেলে আক্রমণকারী
• বিভাগীয় ভবিষ্যদ্বাণীকারীদের জন্য ডামি ভেরিয়েবলগুলি তৈরি করার দরকার নেই
• পরিবর্তনশীল নির্বাচন খুব প্রয়োজন হয় না
• তুলনায় তুলনামূলকভাবে হার্ড

Comments

অ্যাপটেমার সক্রিয় মোটিফ নির্বাচন, বনভূমি আর্দ্রতার পূর্বাভাস, অঙ্কের ওসিআর, মাল্টিসেপট্রাকাল উপগ্রহের চিত্র বিশ্লেষণ, সংগীত সম্পর্কিত তথ্য পুনরুদ্ধার, কেমোমেট্রি ...

Answer 2

লজিস্টিক রিগ্রেশন :

• বেশিরভাগ ডেটাসেটে দ্রুত এবং ভাল সম্পাদন করে
• টিউন করার জন্য প্রায় কোনও প্যারামিটার নেই
• পৃথক / ক্রমাগত বৈশিষ্ট্য উভয়ই পরিচালনা করে
• মডেল সহজে ব্যাখ্যাযোগ্য
• (সত্যিই বাইনারি শ্রেণিবিন্যাসের মধ্যে সীমাবদ্ধ নয়)

Comments

টিউন করার জন্য কোনও প্যারামিটার নাও থাকতে পারে, তবে অ-রৈখিকতা প্ররোচিত করতে সত্যিকারের একটানা চলক (রূপান্তরকরণ, স্প্লাইজস ইত্যাদি) নিয়ে কাজ করতে হবে।

— বি_মিনার

Answer 3

ভেক্টর মেশিনকে সাপর্ট কর

Comments

এসভিএম সম্পর্কে সত্যিকারের বিশেষ কিছু নেই যা ব্যবহারকারীকে নিয়ন্ত্রণের বিষয়ে ভাবতে বাধ্য করে than বেশিরভাগ ব্যবহারিক সমস্যার জন্য [কর্নেল] রিজ রিগ্রেশন ঠিক একইভাবে কাজ করে।

— ডিকরান মার্সুপিয়াল

@ ডিক্রান আমি মনে করি এসভিএম একটি দুর্দান্ত শ্রেণিবদ্ধকারী কারণ এটি বহিরাগতদের কাছে বিরল এবং দৃ is় - এটি লজিস্টিক রিগ্রেশন-এর পক্ষে সত্য নয়! এবং হ'ল এসভিএম অত্যাধুনিক শ্রেণিবদ্ধকারী। কেবল সমস্যা যা হতে পারে তা হ'ল - সময় জটিলতা - তবে আমি মনে করি এটি ঠিক আছে।

— সানকুলসু

@ সানকুলসু আপনি যদি স্পারসিটি চান তবে এসভিএমের চেয়ে আপনি লাসোর সাথে নিয়মিত লজস্টিক রিগ্রেশন থেকে আরও স্পারসিটি পাবেন। এসভিএম এর স্পারসিটি হ্রাস ফাংশনের একটি উপ-পণ্য, সুতরাং স্পারসিটি ডিজাইনের লক্ষ্য যেখানে আপনি একটি অ্যালগরিদমের সাথে করেন তেমন পাবেন না। এছাড়াও প্রায়শই হাইপার-প্যারামিটারের সর্বোত্তম মানের সাথে (যেমন ক্রস-বৈধকরণের মাধ্যমে নির্বাচিত) বেশিরভাগ এসভিএম বিচ্ছিন্ন হয়ে যায়। নিয়ন্ত্রিত লজিস্টিক রিগ্রেশন ব্যতিরেকে এসভিএম আর বিদেশিদের কাছে আর শক্তিশালী নয় - এটি বেশিরভাগ নিয়মিতাইজেশন যা গুরুত্বপূর্ণ, কব্জির ক্ষতি নয়।

— ডিকরান মার্সুপিয়াল

@ ডিকরান - আমার বক্তব্য হুবহু - এক ধরণের শাস্তি গুরুত্বপূর্ণ important আপনি

— পুরষ্কার

@ সানকুলসু যে ক্ষেত্রে, এসভিএম কোনও দুর্দান্ত শ্রেণিবদ্ধকারী নয়, এটি অনেকগুলি নিয়মিত শ্রেণিবদ্ধের মধ্যে যেমন রিজ রিগ্রেশন, নিয়মিত লজস্টিক রিগ্রেশন, গাউস প্রসেসিস। এসভিএম এর প্রধান উপকারকারী হ'ল এটি গণনা শিক্ষামূলক তত্ত্ব থেকে আবেদন। অনুশীলনে, অন্যান্য বিবেচ্য বিষয়গুলি আরও গুরুত্বপূর্ণ, যেমন আপনার সম্ভাব্য শ্রেণিবদ্ধ প্রয়োজন কিনা, যেখানে অন্যান্য ক্ষতির ফাংশনগুলি উন্নত হওয়ার সম্ভাবনা রয়েছে। আইএমএইচও, কর্নেল পদ্ধতির বিস্তৃত পরিবারের চেয়ে এসভিএমের প্রতি খুব বেশি মনোযোগ দেওয়া হচ্ছে।

— ডিকরান মার্শুপিয়াল

Answer 4

শোরগোলের ডেটা সহ তদারকি সমস্যাগুলির জন্য বৈষম্যমূলক নিয়মিত

1. গণনামূলকভাবে দক্ষ
2. শব্দে শব্দ এবং ডেটাতে বহিরাগতদের কাছে শক্ত
3. উভয়ই লিনিয়ার ডিস্টিস্ট্যান্ট্যান্ট (এলডি) এবং চতুর্ভুজ বৈষম্যমূলক (কিউডি) শ্রেণিবদ্ধকারীগুলি নিয়মিতকরণের পরামিতিগুলি [[ল্যাম্বদা, আর]] থেকে '[1 0]' এলডি শ্রেণিবদ্ধকারীর জন্য এবং [[0 0] 'এর জন্য নির্ধারণ করে একই প্রয়োগ থেকে প্রাপ্ত করা যেতে পারে কিউডি শ্রেণিবদ্ধ - রেফারেন্স উদ্দেশ্যে খুব দরকারী।
4. মডেলটি ব্যাখ্যা করা এবং রফতানি করা সহজ
5. স্পার্স এবং 'প্রশস্ত' ডেটা সেটগুলির জন্য ভাল কাজ করে যেখানে শ্রেণি কোভেরিয়েন্স ম্যাট্রিকগুলি ভালভাবে সংজ্ঞায়িত করা যায় না।
6. প্রতিটি শ্রেণির জন্য বৈষম্যমূলক মানগুলিতে সফটম্যাক্স ফাংশন প্রয়োগ করে প্রতিটি নমুনার জন্য উত্তর শ্রেণীর সম্ভাবনার একটি অনুমান করা যায়।

ফ্রিডম্যান এট আল-এর মূল 1989 এর কাগজের সাথে এখানে লিঙ্ক । এছাড়াও, কুঞ্চেভা তার " সংমিশ্রণ প্যাটার্ন শ্রেণিবদ্ধ " বইটিতে খুব ভাল ব্যাখ্যা দিয়েছেন ।

Answer 5

গ্রেডিয়েন্ট বুস্টড ট্রি

• কমপক্ষে অনেকগুলি অ্যাপ্লিকেশনে আরএফের মতো নির্ভুল
• অবিচ্ছিন্নভাবে অনুপস্থিত মানগুলি অন্তর্ভুক্ত করে
• বিভিন্ন গুরুত্ব (আরএফের মতো সম্ভবত ধারাবাহিক এবং অনেক স্তরের নামমাত্রের পক্ষে পক্ষপাতদুষ্ট)
• আংশিক নির্ভরতা প্লট
• আরবিতে জিবিএম বনাম র্যান্ডমফোরেস্ট: অনেক বড় ডেটাসেট পরিচালনা করে

Answer 6

গাউসিয়ান প্রক্রিয়া শ্রেণিবদ্ধকারী - এটি সম্ভাব্য পূর্বাভাস দেয় (এটি কার্যকর যখন আপনার অপারেশনাল আপেক্ষিক শ্রেণীর ফ্রিকোয়েন্সিগুলি আপনার প্রশিক্ষণ সংস্থার তুলনায় আলাদা হয়, বা আপনার মিথ্যা-পজিটিভ / মিথ্যা-নেতিবাচক ব্যয়গুলি অজানা বা পরিবর্তনশীল হয়)। এটি একটি সীমাবদ্ধ ডেটাসেট থেকে "মডেলটির অনুমান" করার অনিশ্চয়তার কারণে মডেল পূর্বাভাসগুলিতে অনিশ্চয়তার সূত্রপাত করে। কো-ভেরিয়েন্স ফাংশনটি কোনও এসভিএমের কার্নেল ফাংশনের সমতুল্য, তাই এটি সরাসরি নন-ভেক্টোরিয়াল ডেটাতেও পরিচালনা করতে পারে (যেমন স্ট্রিং বা গ্রাফ ইত্যাদি)। গাণিতিক কাঠামোটিও ঝরঝরে (তবে ল্যাপ্লেস আনুমানিকতা ব্যবহার করবেন না)। প্রান্তিক সম্ভাবনা সর্বাধিকীকরণের মাধ্যমে স্বয়ংক্রিয় মডেল নির্বাচন।

মূলত লজিস্টিক রিগ্রেশন এবং এসভিএম এর ভাল বৈশিষ্ট্যগুলি একত্রিত করে।

Comments

আপনি কি সুপারিশ করেন যে এটি প্রয়োগ করে? এই পদ্ধতির জন্য আপনার পছন্দসই বাস্তবায়ন কী? ধন্যবাদ!

— জুলাইথ

আমি আশঙ্কা করছি আমি একজন ম্যাটল্যাব ব্যবহারকারী (আমি জিপিএমএল প্যাকেজ গাউসিয়ান প্রসেস.আর / জিপিএমএল / কোড / ম্যাটল্যাব / ডক ব্যবহার করি ), তাই আমি আর বাস্তবায়ন সম্পর্কে পরামর্শ দিতে পারি না, তবে আপনি এখানে উপযুক্ত কিছু খুঁজে পেতে পারেন gaussprocess.org/# কোড । জিপি'র জন্য যদি আর এর কোনও শালীন প্যাকেজ না থাকে তবে কারও একটি লিখতে হবে!

— ডিকরান মার্সুপিয়াল

ঠিক আছে ধন্যবাদ. এই পদ্ধতিটি কি একজনকে "গুরুত্বপূর্ণ পরিবর্তনশীল, যেমন এলোমেলো বনগুলির পরিবর্তনশীল গুরুত্ব বা

— এসভিএমগুলির

হ্যাঁ, আপনি একটি "অটোমেটিক প্রাসঙ্গিক নির্ধারণ" কোভেরিয়েন্স ফাংশনটি ব্যবহার করতে পারেন এবং মডেলটির জন্য বায়েশিয়ান প্রমাণকে সর্বাধিক করে হাইপার-পরামিতিগুলি চয়ন করতে পারেন (যদিও এটি আপনাকে এসভিএমএসের সাথে একই ধরণের ওভার-ফিটিং সমস্যাগুলির মধ্যে চলে যেতে পারে, তাই প্রায়শই বৈশিষ্ট্য নির্বাচন না করে মডেল আরও ভাল পারফর্ম করে)।

— ডিকরান মার্সুপিয়াল

Answer 7

এল 1-নিয়মিত লজিস্টিক রিগ্রেশন।

• এটি গণনার দিক থেকে দ্রুত।
• এটি একটি স্বজ্ঞাত ব্যাখ্যা আছে।
• এর কেবলমাত্র একটি সহজেই বোধগম্য হাইপারপ্যারামিটার রয়েছে যা ক্রস-বৈধকরণের মাধ্যমে স্বয়ংক্রিয়ভাবে টিউন করা যায়, যা প্রায়শই যাওয়ার একটি ভাল উপায়।
• এর সহগগুলি টুকরা দিকের রৈখিক এবং হাইপারপ্যারামিটারের সাথে তাদের সম্পর্কটি একটি সহজ প্লটে তাত্ক্ষণিকভাবে এবং সহজেই দৃশ্যমান হয়।
• পরিবর্তনশীল নির্বাচনের জন্য এটি অন্যতম সন্দেহজনক পদ্ধতি।
• এছাড়াও এটি একটি দুর্দান্ত নাম আছে।

Comments

+1 হাইপার-প্যারামিটারগুলি বিশ্লেষণাত্মকভাবেও সংহত করা যায়, সুতরাং অনেক অ্যাপ্লিকেশনগুলির জন্য ক্রস-বৈধকরণের প্রকৃত প্রয়োজন নেই, উদাহরণস্বরূপ দেখুন theoval.cmp.uea.ac.uk/publications/pdf/nips2006a.pdf এবং বায়োইনফরম্যাটিকস .oxfordjournals.org / সামগ্রী / 22/19 / 2348.full.pdf ।

— ডিকরান মার্সুপিয়াল

Answer 8

kNN

Answer 9

নাইভ বেয়েস এবং র্যান্ডম নাইভ বে

Comments

আরএনবি আপনাকে ভাল ফলাফল দিয়েছে এমন কোনও সমস্যা আপনি কি বর্ণনা দিতে পারেন?

— asukasz লু

না ;-) এটি কেবল পুলটি পুনরুদ্ধার করার জন্য।

Answer 10

কে- মানে নিরীক্ষণযোগ্য শিক্ষার জন্য ক্লাস্টারিং।

Comments

প্রশ্নটি বিশেষত শ্রেণিবদ্ধের জন্য জিজ্ঞাসা করে।

— প্রমিথিউস