বলুন আমাদের বেশিরভাগ শ্রেণিবদ্ধ বৈশিষ্ট্যযুক্ত বাইনারি শ্রেণিবদ্ধকরণ সমস্যা রয়েছে। আমরা এটি শিখতে কিছু অ-লিনিয়ার মডেল (যেমন এক্সজিবিস্ট বা র্যান্ডম বন) ব্যবহার করি।
উত্তর:
একাধিক কলিনারিটি নির্দিষ্ট মডেলগুলির জন্য সমস্যা হবে না। যেমন এলোমেলো বন বা সিদ্ধান্ত গাছ। উদাহরণস্বরূপ, যদি আমাদের দুটি অভিন্ন কলাম থাকে তবে সিদ্ধান্ত গাছ / এলোমেলো অরণ্য প্রতিটি বিভাজনে স্বয়ংক্রিয়ভাবে একটি কলাম "ড্রপ" করবে। এবং মডেল এখনও ভাল কাজ করবে।
এছাড়াও নিয়মিতকরণ হ'ল মাল্টি-কোলাইনারিটি সমস্যাটিকে "ফিক্স" করার একটি উপায়। আমার উত্তর লজিস্টিক রিগ্রেশন নিয়মিতকরণের বিশদ দেয়।
পার্টিতে দেরীতে, তবে যাইহোক এখানেই আমার উত্তর, এবং এটি "হ্যাঁ", মডেল / পদ্ধতিটি লিনিয়ার হোক বা না থাকুক বা মূল কাজটি ভবিষ্যদ্বাণী বা শ্রেণিবিন্যাসকে বিবেচনা না করেই সর্বদা কোলিনারিটি সম্পর্কে উদ্বিগ্ন হওয়া উচিত।
পদ্ধতি হিসাবে ডেটা সেট এবং র্যান্ডম ফরেস্টে উপস্থিত বেশ কয়েকটি লিনিয়ার পারস্পরিক কোভারিয়েটস / বৈশিষ্ট্যগুলি ধরুন। স্পষ্টতই, নোডের জন্য এলোমেলো নির্বাচন কেবল (বা বেশিরভাগ ক্ষেত্রে) কলিনারি বৈশিষ্ট্যগুলি বেছে নিতে পারে যা ফলস্বরূপ দুর্বল হয়ে যায় এবং এটি বারবার ঘটতে পারে, ফলে কার্যকারিতাটিকে নেতিবাচকভাবে প্রভাবিত করে।
এখন, কলিনারি বৈশিষ্ট্যগুলি অন্যান্য (কল-লাইনবিহীন) বৈশিষ্ট্যগুলির তুলনায় ফলাফল সম্পর্কে কম তথ্যবহুল হতে পারে এবং এগুলি যেভাবেই বৈশিষ্ট্য সেট থেকে বাদ দেওয়ার জন্য বিবেচনা করা উচিত। তবে, ধরে নিন যে বৈশিষ্ট্যগুলি আরএফ দ্বারা উত্পাদিত 'বৈশিষ্ট্য গুরুত্ব' তালিকায় উচ্চ স্থানে রয়েছে। এগুলি হিসাবে অকারণে মাত্রিক মাত্রা বাড়িয়ে ডেটা সেটে রাখা হবে। সুতরাং, বাস্তবে, আমি সর্বদা, একটি অনুসন্ধানের পদক্ষেপ হিসাবে (অনেকের মধ্যে সম্পর্কিত) লিনিয়ার পারস্পরিক সম্পর্ক সহ বৈশিষ্ট্যগুলির যুগল সংযুক্তি পরীক্ষা করে দেখি।
যদি অ-লিনিয়ার মডেলটি গাছ ভিত্তিক মডেল হয়, তবে আপনার এটিকে গুরুতর বিবেচনা করা উচিত নয়। বিভিন্ন গাছের মডেলের আলাদা আলাদা চুক্তি পদ্ধতি থাকবে, যেমন এলোমেলো বনগুলি তাদের উভয়কেই রাখবে (কারণ তারা স্বাধীনভাবে গাছ তৈরি করে এবং এলোমেলোভাবে প্রতিটি গাছের জন্য বৈশিষ্ট্যটি নির্বাচন করে), তবে এটি পূর্বাভাসের কার্যকারিতা সম্পর্কে কোনও প্রভাব ফেলবে না, এমনকি আপনি এটি মুছে ফেলেন অপ্রয়োজনীয় তবে এক্সজিস্টের জন্য, এটি তাদের যে কোনওটিকে বেছে নেবে এবং শেষ গাছ তৈরি হওয়া অবধি এটি ব্যবহার করবে।
এটি কেবলমাত্র ব্যাখ্যার অর্থ সম্পর্কে, সুতরাং সর্বাধিক সম্পর্ক সম্পর্কিত ভেরিয়েবলটি সরিয়ে দেওয়ার পরামর্শ দেওয়া হচ্ছে।
মাল্টি-কোলাইনারিটি সর্বদা একটি সম্ভাব্য সমস্যা। মডেলটিতে ভবিষ্যদ্বাণীকারী পরিবর্তনশীলগুলি যখন লৈখিকভাবে সম্পর্কিত হয় (যেমন, যখন সহপাঠ উপস্থিত থাকে) তখন ভবিষ্যদ্বাণীকে প্রভাবিত করে।