র্যান্ডম অরণ্য (আরএফ) একটি প্রতিযোগিতামূলক ডেটা মডেলিং / খনন পদ্ধতি।
একটি আরএফ মডেলের একটি আউটপুট থাকে - আউটপুট / পূর্বাভাস পরিবর্তনশীল।
আরএফগুলির সাথে একাধিক আউটপুটগুলি মডেলিংয়ের নিষ্কলুষ দৃষ্টিভঙ্গি হ'ল প্রতিটি আউটপুট ভেরিয়েবলের জন্য একটি আরএফ তৈরি করা। সুতরাং আমাদের কাছে এন স্বাধীন মডেল রয়েছে এবং যেখানে আউটপুট ভেরিয়েবলগুলির মধ্যে পারস্পরিক সম্পর্ক রয়েছে সেখানে আমাদের অপ্রয়োজনীয় / সদৃশ মডেল কাঠামো থাকবে। এটি সত্যিই খুব অপব্যয়কর হতে পারে। এছাড়াও একটি সাধারণ নিয়ম হিসাবে আরও মডেল ভেরিয়েবলগুলি আরও বেশি পরিমাণের মডেল (কম সাধারণীকরণ) বোঝায়। এটি এখানে প্রযোজ্য কিনা তা নিশ্চিত নয় তবে এটি সম্ভবত কার্যকর হয়।
নীতিগতভাবে আমরা একাধিক আউটপুট সহ একটি আরএফ রাখতে পারি। পূর্বাভাস পরিবর্তনশীল এখন ভেক্টর (এন-টিপল)। প্রতিটি সিদ্ধান্ত গাছের সিদ্ধান্ত নোডগুলি এখন একটি চৌম্বক ভেক্টরের উপর ভিত্তি করে টার্গেট / প্রেডিকশন ভেক্টরগুলির সেটকে বিভক্ত করছে, আমি অনুমান করি যে এই প্রান্তিকটিকে এন-ডাইমেনশনাল স্পেসে প্লেন হিসাবে নেওয়া হয়েছে এবং তাই আমরা প্রান্তিকের কোন দিকটি নির্ধারণ করতে পারি লক্ষ্য ভেক্টরগুলির প্রতিটি ভেক্টর চালু রয়েছে।
সিদ্ধান্ত বিভাজনের প্রতিটি পক্ষের সর্বোত্তম পূর্বাভাস মান হ'ল প্রতিটি পক্ষের ভেক্টরগুলির জন্য গণনা করা গড় (সেন্ট্রয়েড)।
একক ভেরিয়েবলের সাথে কাজ করার সময় অনুকূল বিভাজন পয়েন্টটি সন্ধান করা তুচ্ছ এবং গণনীয়ভাবে দ্রুত / দক্ষ। একটি এন-টিউপলের জন্য আমরা অনুকূল বিভাজনটি খুঁজে পাই না (বা কমপক্ষে এটি এন বৃদ্ধি পাওয়ার সাথে সাথে কমপ্যাটেশনালভাবে অক্ষম হয়ে পড়ে) তবে আমরা মন্টি কার্লো টাইপ পদ্ধতি (বা মন্টে কার্লো এবং স্থানীয় কিছু সংকর) ব্যবহার করে একটি কাছের অনুকূল বিভাজনটি পেতে সক্ষম হতে পারি গ্রেডিয়েন্ট ট্রভারসাল)।
এটি কি আসলে কাজ করবে? যে, এটি কেবল জেনারাইজিং ছাড়াই প্রশিক্ষণের জোড়গুলির মানচিত্র তৈরি করবে? এই কৌশলটি কি অন্য নামে ইতিমধ্যে বিদ্যমান?
এটি কীভাবে সীমাবদ্ধ বল্টজম্যান মেশিনস (আরবিএম) এবং ডিপ বিশ্বাসের নেটওয়ার্কগুলির মতো নিউরাল নেটগুলির সাথে সম্পর্কিত তা আপনিও বিবেচনা করতে চাইতে পারেন।