অন্যান্য দায়েরকৃত কাগজপত্র পড়ার সময় আমারও একই প্রশ্ন ছিল। এবং এর সাথে সম্পর্কিত প্রচুর প্রশ্ন জিজ্ঞাসা করেছে যেমন এডুকেশন ডেটা মাইনিং সম্প্রদায়ের মধ্যে এটি:
কেন লজিস্টিক ক্ষতির পরিবর্তে সম্ভাব্যতার উপর স্কোয়ার লস ব্যবহার করবেন?
এখানে আমি অনেক ব্যক্তিগত মতামত উপস্থাপন করব।
আমার মনে হয় অনেক ব্যবহারিক ব্যবহারের ক্ষেত্রে ক্ষতির ফাংশন খুব বেশি গুরুত্ব দেয় না। কিছু গবেষক বর্গক্ষেত্রের ক্ষতি সম্পর্কে আরও জানতে এবং এটির সিস্টেম তৈরি করতে পারে, এটি এখনও কাজ করে এবং বাস্তব বিশ্বের সমস্যাগুলি সমাধান করে। গবেষকরা কখনই লজিস্টিক ক্ষতি বা কব্জির ক্ষতি জানেন না এবং এটি চেষ্টা করতে চান। তদতিরিক্ত, তারা অনুকূল গণিতের মডেলটি খুঁজে পেতে আগ্রহী নাও হতে পারে তবে প্রকৃত সমস্যাগুলি সমাধান করতে চায় যা আগে কেউ সমাধান করার চেষ্টা করেনি।
এটি অন্য একটি উদাহরণ: আপনি যদি আমার প্রশ্নের এই উত্তরটি পরীক্ষা করেন তবে তাদের সবগুলিই একই রকম। শ্রেণিবিন্যাসে প্রায় 0-1 টি ক্ষতিতে বিভিন্ন লোকসান ফাংশনগুলি বেছে নেওয়ার প্রভাবগুলি কী
আরও চিন্তাভাবনা: কোন মেশিন লার্নিং রিসার্চটি কোন মডেলটি বেছে নেবে এবং কীভাবে মডেলটিকে অনুকূলিত করতে পারে সে সম্পর্কে অনেক সময় ব্যয় করতে পারে। এটি কারণ যে কোনও মেশিন লার্নিং গবেষক আরও ডেটা সংগ্রহ / আরও ব্যবস্থা গ্রহণের ক্ষমতা নাও পেতে পারেন। এবং একটি মেশিন লার্নিং গবেষকের কাজ আরও ভাল গণিত পাচ্ছে, কোনও নির্দিষ্ট বাস্তব সমস্যার সমাধান আরও ভাল সমাধান করে না।
অন্যদিকে, বাস্তব বিশ্বে, ডেটা আরও ভাল হলে, এটি প্রতিটি জিনিসকে মারধর করে। সুতরাং, নিউরাল নেটওয়ার্ক বা এলোমেলো বন নির্বাচন করা খুব বেশি গুরুত্বপূর্ণ নয়। এই সমস্ত মডেলগুলির সাথে একইরকম একজন ব্যক্তি আসল বিশ্বের সমস্যাগুলি সমাধান করার জন্য একটি সরঞ্জাম হিসাবে মেশিন লার্নিং ব্যবহার করতে চান। গণিত বা সরঞ্জামগুলির বিকাশে আগ্রহী না হওয়া কোনও ব্যক্তি সিস্টেমকে আরও উন্নত করতে নির্দিষ্ট ডোমেন জ্ঞান ব্যবহার করতে বেশি সময় ব্যয় করতে পারেন।
যেমনটি আমি মন্তব্যে উল্লেখ করেছি। এবং যদি কেউ গণিতে আস্তে আস্তে থাকে তবে সে এখনও কিছু কার্যকর করতে পারে।