লিনিয়ার কার্নেলের সাথে এসভিএমগুলিতে সি এর প্রভাব কী?


134

আমি বর্তমানে আমার ডেটা শ্রেণিবদ্ধ করতে একটি রৈখিক কার্নেল সহ একটি এসভিএম ব্যবহার করছি। প্রশিক্ষণের সেটটিতে কোনও ত্রুটি নেই। আমি প্যারামিটার ( ) এর জন্য কয়েকটি মান চেষ্টা করেছি । এটি পরীক্ষার সেটে ত্রুটিটি পরিবর্তন করে নি।C105,,102

এখন আমি ভাবছি: আমি ( rb-libsvm ) ব্যবহার করার জন্য রুবি বাঁধার কারণে এটি কি ত্রুটিযুক্ত বা এটি তাত্ত্বিকভাবে ব্যাখ্যাযোগ্য ?libsvm

প্যারামিটার সর্বদা শ্রেণিবদ্ধের কর্মক্ষমতা পরিবর্তন করে?C


কেবল একটি মন্তব্য, একটি উত্তর নয়: যে কোনও প্রোগ্রাম যা দুটি পদের যোগফলকে ছোট করে, যেমন ( ) আপনাকে দুটি পদটি শেষে কী বলা উচিত, তাই আপনি দেখতে পারেন যে তারা কীভাবে ভারসাম্য বজায় রাখে। (দুটি এসভিএম শর্তাবলী নিজেই গণনা করতে সহায়তার জন্য, একটি পৃথক প্রশ্ন জিজ্ঞাসা করার চেষ্টা করুন the আপনি কি সবচেয়ে খারাপ শ্রেণিবদ্ধ পয়েন্টগুলির কয়েকটি দেখেছেন? আপনি কি আপনার মতো একটি সমস্যা পোস্ট করতে পারেন?)|w|2+Cξi,
ডেনিস

উত্তর:


136

সি প্যারামিটারটি এসভিএম অপ্টিমাইজেশনকে জানায় যে আপনি প্রতিটি প্রশিক্ষণের উদাহরণের ভুল সংজ্ঞা এড়াতে চান। সি এর বৃহত মানগুলির জন্য, যদি হাইপারপ্লেনটি সমস্ত প্রশিক্ষণ পয়েন্টগুলি সঠিকভাবে শ্রেণিবদ্ধকরণের জন্য আরও ভাল কাজ করে তবে অপ্টিমাইজেশন একটি ছোট-মার্জিন হাইপারপ্লেন বেছে নেবে। বিপরীতভাবে, সি এর একটি খুব সামান্য মান অপটিমাইজারকে বৃহত্তর-মার্জিনকে পৃথক করে হাইপারপ্লেনের সন্ধান করবে, এমনকি যদি হাইপারপ্লেনটি আরও বেশি পয়েন্ট ভুলভাবে শ্রেণিবদ্ধ করে। সি এর অতি ক্ষুদ্র মানগুলির জন্য, আপনার ভুল সংকলিত উদাহরণগুলি পাওয়া উচিত, প্রায়শই এমনকি আপনার প্রশিক্ষণের ডেটা লিনিয়ালি পৃথকযোগ্য।


1
ঠিক আছে, আমি বুঝতে পেরেছি যে সি উদ্দেশ্যমূলক ফাংশনের উপর ভুল সংকলনের প্রভাব নির্ধারণ করে। উদ্দেশ্য ফাংশনটি হ'ল নিয়মিতকরণের মেয়াদ এবং মিসক্লাসিফিকেশন হারের যোগফল ( এনউইকিপিডিয়া . org / উইকি / সাপোর্টপোর্ট_ভেকটার_ম্যাচাইন# সোফট_মার্গিন )। আমি যখন সি পরিবর্তন করি তখন এটি আমার উদ্দেশ্যমূলক কার্যের ন্যূনতমটিতে কোনও প্রভাব ফেলবে না। এর অর্থ কি নিয়মিতকরণের মেয়াদটি সর্বদা খুব কম থাকে?
আলফা

3
আমি সি মানগুলির একটি বিস্তৃত পরিসীমা চেষ্টা করার পরামর্শ দেব, সম্ভবত 10 ^ [- 5, ..., 5], বা আরও যদি আপনার ডেটাसेटটিতে অপ্টিমাইজেশন দ্রুত হয় তবে আপনি আরও যুক্তিসঙ্গত বলে মনে হচ্ছে এমন কিছু পান কিনা তা দেখার জন্য। প্রশিক্ষিত ত্রুটি এবং ন্যূনতম ব্যয়ের মান উভয়ই সি পরিবর্তিত হওয়ায় পরিবর্তিত হওয়া উচিত। এছাড়াও, আপনার ডেটার স্কেল কি চরম? সাধারণভাবে, আপনি যখন আপনার ডেটা স্কেল করেন তখন একটি অনুকূল সি প্যারামিটার বড় হওয়া উচিত, এবং তদ্বিপরীত, যদি আপনার বৈশিষ্ট্যগুলির জন্য খুব ছোট মান থাকে তবে সম্ভাব্য সি মানগুলির জন্য খুব বড় মান অন্তর্ভুক্ত করার বিষয়টি নিশ্চিত করুন। উপরের কেউ যদি সহায়তা না করে তবে আমি ধারণা করতে পারি যে সমস্যাটি রুবি বাঁধাইয়ের মধ্যে রয়েছে
মার্ক শিভার

3
সুষম নির্ভুলতা 0.5 (কেবল অনুমান করা) থেকে 0.86 এ পরিবর্তন করা আমার কাছে প্রান্তিক প্রভাবের মতো শোনাচ্ছে না। সি হিসাবে মূল্যগুলির একটি সূক্ষ্ম গ্রিড তদন্ত করা ভাল ধারণা হবে তবে আপনি যে ফলাফল দিয়েছেন তা মোটামুটি স্বাভাবিক আচরণ বলে মনে হচ্ছে। অতিরিক্ত ফিটিংয়ের কারণে সি অসীমের দিকে ঝুঁকছে বলেই কেউ আবার ত্রুটিটি ফিরে আসার প্রত্যাশা করতে পারে, তবে এই ক্ষেত্রে তেমন কোনও সমস্যা বলে মনে হয় না। মনে রাখবেন যে আপনি যদি ভারসাম্যপূর্ণ ত্রুটি সম্পর্কে সত্যই আগ্রহী হন এবং আপনার প্রশিক্ষণ সংস্থার কোনও 50:50 বিভাজন না রয়েছে, তবে আপনি আরও ভাল ফলাফল পেতে সক্ষম হতে পারবেন ...
ডিকরান মারশুপিয়াল

2
... ধনাত্মক এবং নেতিবাচক শ্রেণীর (যা প্রতিটি শ্রেণীর অন্তর্গত অনুপাতের পরিবর্তনের জন্য ডেটা পুনরায় মডেল করার সমতুল্য) এর জন্য বিভিন্ন মানের মান ব্যবহার করে।
ডিকরান মার্শুপিয়াল

2
আমি মনে করি এটি সম্ভব যে আপনি একবার সি = 10 ^ 0 এ পৌঁছালে এসভিএম ইতিমধ্যে সমস্ত প্রশিক্ষণের ডেটা সঠিকভাবে শ্রেণিবদ্ধ করছে, এবং সমর্থনকারী ভেক্টরগুলির কোনওটিই আবদ্ধ নয় (আলফা সিটির সমান) সে ​​ক্ষেত্রে সি বড় হয়েছে সমাধানের কোনও প্রভাব নেই।
ডিকরান মার্সুপিয়াল

152

একটি এসভিএম-এ আপনি দুটি জিনিস অনুসন্ধান করছেন: বৃহত্তম ন্যূনতম মার্জিন সহ একটি হাইপারপ্লেন এবং একটি হাইপারপ্লেন যা যথাসম্ভব যথাযথভাবে পৃথক করে। সমস্যাটি হ'ল আপনি সর্বদা দুটি জিনিসই পেতে সক্ষম হবেন না। সি প্যারামিটারটি নির্ধারণ করে যে আপনার পরবর্তীকালের জন্য কতটা দুর্দান্ত is এটি চিত্রিত করার জন্য আমি নীচে একটি ছোট উদাহরণ আঁকছি। বামদিকে আপনার কাছে কম সি রয়েছে যা আপনাকে বেশ বড় ন্যূনতম মার্জিন (বেগুনি) দেয়। তবে এর জন্য প্রয়োজন যে আমরা নীল বৃত্তের আউটলেটটিকে অবহেলা করব যা আমরা সঠিক শ্রেণিবদ্ধ করতে ব্যর্থ হয়েছি। ডানদিকে আপনি একটি উচ্চ সি আছে। এখন আপনি আউটলেটটিকে অবহেলা করবেন না এবং এভাবে অনেক ছোট ব্যবধানে শেষ করবেন।

এখানে চিত্র বর্ণনা লিখুন

তাহলে এর মধ্যে কোন শ্রেণিবদ্ধকারী সেরা? এটি আপনার ভবিষ্যতের ডেটা কেমন হবে তার উপর নির্ভর করে এবং বেশিরভাগ ক্ষেত্রে আপনি অবশ্যই তা জানেন না। যদি ভবিষ্যতের ডেটাগুলি এমন দেখায়:

বড় সি সেরা তারপরে শ্রেণিবদ্ধ একটি বৃহত সি মান ব্যবহার করে শিখেছি সেরা।

অন্যদিকে, যদি ভবিষ্যতের ডেটাগুলি এমন দেখায়:

কম সি সেরা তারপরে ক্লাসিফায়ার একটি কম সি মান ব্যবহার করে শিখেছি সবচেয়ে ভাল।

আপনার ডেটা সেটের উপর নির্ভর করে সি পরিবর্তন করা একটি ভিন্ন হাইপারপ্লেন তৈরি করতে পারে বা নাও পারে। যদি এটি একটি ভিন্ন হাইপারপ্লেন তৈরি করে , তবে এটি বোঝায় না যে আপনার শ্রেণিবদ্ধকারী নির্দিষ্ট শ্রেণীর জন্য বিভিন্ন শ্রেণীর আউটপুট উত্পন্ন করবেন যা আপনি এটি শ্রেণিবদ্ধ করতে ব্যবহার করেছেন। ডেটা ভিজ্যুয়ালাইজ করা এবং এসভিএমের জন্য বিভিন্ন সেটিংসের সাথে চারপাশে খেলতে ওয়েকা একটি ভাল সরঞ্জাম। এটি আপনাকে কীভাবে আপনার ডেটা দেখাচ্ছে এবং কেন সি মান পরিবর্তন করে শ্রেণিবিন্যাস ত্রুটি পরিবর্তন করে না সে সম্পর্কে আরও ভাল ধারণা পেতে আপনাকে সহায়তা করতে পারে। সাধারণভাবে, কয়েকটি প্রশিক্ষণের উদাহরণ এবং অনেকগুলি অ্যাট্রিবিউট থাকা তথ্যকে রৈখিক পৃথককরণ সহজ করে তোলে। এছাড়াও সত্য যে আপনি আপনার প্রশিক্ষণ ডেটার উপর মূল্যায়ন করছেন এবং নতুন দেখা না হওয়া ডেটা পৃথকীকরণকে সহজ করে তোলে।

আপনি কোন ধরণের ডেটা থেকে মডেল শিখতে চাইছেন? কত তথ্য? আমরা কি এটি দেখতে পারি?


4
আমি এখন 3 বছরেরও বেশি সময় ধরে ডেটা স্পর্শ করি নি। এটি অত্যন্ত উচ্চ-মাত্রিক এবং কোলাহলপূর্ণ এবং এটি প্রকাশের অনুমতি নেই। প্রশ্নের উত্তর ইতিমধ্যে দেওয়া হয়েছে তবে আমি মনে করি আপনার চাক্ষুষটি খুব ভাল এবং স্বজ্ঞাত।
আলফা

অসাধারণ. গামার মূল্য সম্পর্কেও কি আপনার এ জাতীয় ব্যাখ্যা রয়েছে?
মনস্টার এমএমআরপিজি

2
গামা প্যারামিটারটি গাউসিয়ান কার্নেল ফাংশনের জন্য ব্যবহৃত হয়। কার্নেল ফাংশনগুলিকে আপনার আসল বৈশিষ্ট্যগুলিকে অন্য কোনও জায়গায় রূপান্তর করার কার্যকর উপায় হিসাবে দেখা যেতে পারে, যেখানে নতুন বৈশিষ্ট্য স্পেসে পৃথক হওয়া হাইপারপ্লেনটি মূল বৈশিষ্ট্যের জায়গাতে রৈখিক হতে হবে না। উদাহরণস্বরূপ, মূল বৈশিষ্ট্য স্পেসের ডেটা পয়েন্টের দ্বিমাত্রিক অবস্থান মানচিত্রে কিছু চিহ্নিতকারীকে দূরত্ব উপস্থাপন করে এমন একটি নতুন বৈশিষ্ট্য গণনা করতে ব্যবহার করা যেতে পারে। এই নতুন বৈশিষ্ট্যটির সাহায্যে একটি অ-রৈখিক শ্রেণিবদ্ধ (মূল স্থানে) তৈরি করা যেতে পারে যা সিদ্ধান্তের সীমানা চিহ্নিতকারীকে ঘিরে একটি বৃত্ত তৈরি করে
কেন্ট মুন্তে ক্যাসপারসেন

@ কেন্টমুন্তে ক্যাস্পারসন আপনার সি সম্পর্কিত ব্যাখ্যা ভুল না? এটি "পরিসংখ্যান শিক্ষার ভূমিকা" বইয়ে যা বলেছে তার বিপরীতে।
diugalde

2
@diugalde আপনি বই থেকে উদ্ধৃতি দিতে পারেন আমার ব্যাখ্যা থেকে ঠিক কি পৃথক? আমি সবসময় সিটিকে ভুল শ্রেণিবিন্যাসের মূল্য হিসাবে মনে করি (শ্রেণিবদ্ধে সি দ্বারা সহজেই মনে রাখা যায়)। সেই উপায়ে উচ্চতর সি এর অর্থ হ'ল উচ্চতর ব্যয় বিযুক্তি, যা অ্যালগরিদমকে সমস্ত ডেটা পয়েন্টকে পুরোপুরি আলাদা করার চেষ্টা করে। আউটলিয়ারদের সাথে এটি সর্বদা সম্ভব হয় না বা সর্বদা একটি ভাল সাধারণ ফলাফলের দিকে পরিচালিত করে না, যা সি / কমিয়ে / প্রবর্তনের জন্য একটি ভাল কারণ।
কেন্ট মুন্তে ক্যাস্পারসেন

26

সি মূলত একটি নিয়মিতকরণ প্যারামিটার, যা প্রশিক্ষণের ডেটাতে কম ত্রুটি অর্জন এবং ওজনের আদর্শকে হ্রাস করার মধ্যে বাণিজ্য-নিয়ন্ত্রণকে নিয়ন্ত্রণ করে। এটি রিজ রিগ্রেশন-এর রিজ প্যারামিটারের অ্যানালজেস (বাস্তবে বাস্তবে লিনিয়ার এসভিএম এবং রিজ রিগ্রেশন-এর মধ্যে পারফরম্যান্স বা তত্ত্বের মধ্যে সামান্য পার্থক্য থাকে, তাই আমি সাধারণত উত্তরারটি ব্যবহার করি - বা যদি কার্নেল রিজ রিগ্রেশন পর্যবেক্ষণের চেয়ে আরও বেশি গুণাবলী থাকে)।

টিভিং সি সঠিকভাবে এসভিএমগুলির ব্যবহারের সর্বোত্তম অনুশীলনের এক গুরুত্বপূর্ণ পদক্ষেপ, কারণ কাঠামোগত ঝুঁকি হ্রাস (বেসিক পদ্ধতির পিছনে মূল নীতি) সিটির টিউনিংয়ের মাধ্যমে পার্টি প্রয়োগ করা হয় প্যারামিটার সি এর আদর্শের উপরের একটি আবদ্ধকে কার্যকর করে তোলে ওজন, যার অর্থ সি দ্বারা সূচিত অনুমানের ক্লাসগুলির একটি নেস্টেট সেট রয়েছে আমরা সি বৃদ্ধি করার সাথে সাথে আমরা অনুমান শ্রেণির জটিলতা বাড়িয়ে তুলি (আমরা যদি সি সামান্য বাড়িয়ে তুলি তবে আমরা এখনও সমস্ত লিনিয়ার মডেলগুলি তৈরি করতে পারি যা আমরা আগে করতে পারি এবং এমনও কিছু যা আমরা ওজনের অনুমতিযোগ্য আদর্শের উপরের সীমাটি বাড়ানোর আগে পারি না)। সুতরাং সর্বাধিক মার্জিন শ্রেণিবিন্যাসের মাধ্যমে এসআরএম বাস্তবায়নের পাশাপাশি এটি নিয়ন্ত্রক সি এর মাধ্যমে অনুমানের শ্রেণীর জটিলতা সীমাবদ্ধ করেও প্রয়োগ করা হয়

দুঃখের বিষয় এই মুহুর্তে সি কিভাবে সেট করবেন তা নির্ধারণের তত্ত্বটি খুব ভালভাবে বিকশিত হয়নি, তাই বেশিরভাগ লোকেরা ক্রস-বৈধতা (যদি তারা কিছু করে) ব্যবহার করার প্রবণতা পোষণ করে।


ঠিক আছে, আমি মনে করি আমি এখন সি এর অর্থ বুঝতে পেরেছি। :)
আলফা

2
তবে সি যদি নিয়মিতকরণের প্যারামিটার হয়, তবে উচ্চতর সিটিংকে প্রশমিত করার জন্য, যখন আরও সাধারণ মডেল তৈরি করে সাধারণত নিয়মিতকরণ করা হয়, তখন কেন উচ্চ সি সি ওভারফিটিং বৃদ্ধি করে?
ব্যবহারকারী1603472

2
সি একটি নিয়মিতকরণের প্যারামিটার, তবে এটি নিয়মিতকরণের মেয়াদ (মার্জিন বিট) এর চেয়ে ডেটা মিসফিট শব্দ (স্ল্যাক ভেরিয়েবলের যোগফল) এর সাথে মূলত সংযুক্ত থাকে, সুতরাং সি এর বৃহত্তর মানটির অর্থ কম বেশি নিয়মিতকরণ হয়। বিকল্পভাবে আপনি নিয়মিতকরণ পরামিতিটির সাধারণ প্রতিনিধিত্ব 1 / সি হিসাবে দেখতে পারেন।
ডিকরান মার্সুপিয়াল

8

সি হ'ল একটি নিয়মিতকরণ প্যারামিটার যা একটি নিম্ন প্রশিক্ষণ ত্রুটি এবং স্বল্প পরীক্ষার ত্রুটি অর্জনের মধ্যে বাণিজ্যকে নিয়ন্ত্রণ করে যা আপনার শ্রেণিবদ্ধকে ডেটা অদৃশ্যে সাধারণ করার ক্ষমতা ability

একটি লিনিয়ার এসভিএমের উদ্দেশ্যমূলক কার্যকারিতাটি বিবেচনা করুন: মিনিট | ডাব্লু | ^ 2 + সি∑ξ ∑ξ আপনার সি খুব বড় হলে অপটিমাইজেশন অ্যালগরিদম | ডাব্লু | হ্রাস করার চেষ্টা করবে যতটা সম্ভব হাইপারপ্লেন যা প্রতিটি প্রশিক্ষণের উদাহরণকে সঠিকভাবে শ্রেণিবদ্ধ করার চেষ্টা করে to এটি করার ফলে শ্রেণিবদ্ধের সাধারণকরণের বৈশিষ্ট্যগুলি হ্রাস পাবে। অন্যদিকে যদি আপনার সি খুব ছোট হয় তবে আপনি আপনার উদ্দেশ্যমূলক ক্রিয়াকে বাড়ানোর জন্য একটি নির্দিষ্ট স্বাধীনতা দিন w ডাব্লু | অনেক, যা বড় প্রশিক্ষণের ত্রুটির দিকে পরিচালিত করে।

নীচের ছবিগুলি আপনাকে এটি কল্পনা করতে সহায়তা করতে পারে। সি = 10000000 সহ লিনিয়ার এসভিএম ক্লাসিফায়ারসি = 0.001 সহ লিনিয়ার এসভিএম ক্লাসিফায়ার


আমি সত্যিই আপনার প্লট বুঝতে পারি না। তুমি কি এটা ব্যাখ্যা করতে পারবে?
আলফা

1
@ এলফা: প্লটগুলি দেখানোর জন্য আমার অভিপ্রায়টি ছিল: 1) সি যদি খুব বড় হয় (প্লট 1) তবে আপনার শ্রেণিবদ্ধ ফিট হবে, অর্থাৎ এটি প্রতিটি প্রশিক্ষণের ডেটা পয়েন্টকে সঠিকভাবে শ্রেণিবদ্ধ করার চেষ্টা করবে। প্লট 1 প্রায় সমস্ত প্রশিক্ষণ পয়েন্টগুলি সঠিকভাবে শ্রেণিবদ্ধ করা দেখায়। 2) অন্যদিকে সি যদি খুব কম হয় (প্লট 2), তবে আপনার শ্রেণিবদ্ধ ফিট হবে। প্লট 2 আন্ডার ফিট ক্লাসিফায়ার দেখায়। এটি পয়েন্টগুলি নিজ নিজ শ্রেণিতে আলাদা করে না। আশাকরি এটা সাহায্য করবে.
দিরিশি

এর অর্থ হল যে আপনার x- এবং y- অক্ষ দুটি ভিন্ন বৈশিষ্ট্য দেখায়। "ডেটাসেটের দৈর্ঘ্য" এবং "অর্থের সমষ্টি" লেবেলগুলি কি কিছুটা বিভ্রান্ত হচ্ছে?
আলফা

এটি দেখতে আকর্ষণীয় হবে যে সি এর জন্য সঠিক পছন্দটি উভয় ক্ষেত্রে কীভাবে সহায়তা করে।
আলফা

2
আমি মনে করি যে সি = 10000000 একটি খারাপ পছন্দ এটি দেখতে সুস্পষ্ট নয় এবং আমি মনে করি যে এটি দেখানোর জন্য ডেটাসেটটি সঠিক নয়। পৃথক পৃথকীকরণের হাইপারপ্লেনের ভুল দিকে কেবল কয়েকজন আউটলিয়ারের সাথে একটি ডেটাসেট আরও ভাল হতে পারে?
আলফা

4

উপরের উত্তরগুলি দুর্দান্ত। আপনার প্রশ্নগুলি মনোযোগ সহকারে পড়ার পরে, আমি দেখতে পেলাম যে দুটি গুরুত্বপূর্ণ তথ্য আমরা উপেক্ষা করতে পারি।

  1. আপনি লিনিয়ার কার্নেল ব্যবহার করছেন
  2. আপনার প্রশিক্ষণ ডেটা রৈখিকভাবে পৃথকযোগ্য, যেহেতু "প্রশিক্ষণ সেটটিতে কোনও ত্রুটি নেই"।

২ টি তথ্য প্রদত্ত, যদি সি মানগুলি একটি যুক্তিসঙ্গত পরিসরে পরিবর্তিত হয় তবে অনুকূল হাইপারপ্লেনটি এলোমেলোভাবে মার্জিনের মধ্যে সামান্য পরিমাণে স্থানান্তরিত হবে (সমর্থন ভেক্টর দ্বারা গঠিত ফাঁক)।

স্বজ্ঞাতভাবে ধরা যাক, প্রশিক্ষণের ডেটাতে মার্জিনটি ছোট, এবং / অথবা মার্জিনের মধ্যেও কোনও পরীক্ষার ডেটা পয়েন্ট নেই, মার্জিনের মধ্যে অনুকূল হাইপারপ্লেনটি স্থানান্তরিতকরণ পরীক্ষার সেটটির শ্রেণিবিন্যাস ত্রুটিকে প্রভাবিত করবে না।

তবুও, আপনি যদি সি = 0 সেট করেন তবে এসভিএম ত্রুটিগুলি উপেক্ষা করবে এবং ওজন (ডাব্লু) এর বর্গের যোগফলকে হ্রাস করার চেষ্টা করবে, সম্ভবত আপনি পরীক্ষার সেটটিতে বিভিন্ন ফলাফল পেতে পারেন।


2

সি প্যারামিটারটি আউটলিয়ারদের নিয়ন্ত্রণের জন্য ব্যবহৃত হয় - কম সি বোঝায় আমরা আরও বেশি বিদেশীকে মঞ্জুরি দিচ্ছি, উচ্চ সি বোঝা যাচ্ছে যে আমরা কম আউটলিয়ারকে অনুমতি দিচ্ছি।


1

উচ্চ সি (ব্যয়) এর অর্থ হ'ল ভুল শংসাপত্রের ব্যয় বৃদ্ধি পেয়েছে। এর অর্থ প্রশিক্ষণ সংস্থায় ভুল সংশোধনকারী পর্যবেক্ষণ এড়াতে একটি নমনীয় কর্নেল আরও তাত্পর্যপূর্ণ হয়ে উঠবে।

কার্নেলটি স্কুইগলি করতে হলে নতুন ডেটা নিয়ে ভবিষ্যদ্বাণী করার সময় মডেলটি ভালভাবে সাধারণ হবে না।

কার্নেলটি যদি সোজা হয় তবে নতুন ডেটা সম্পর্কে ভবিষ্যদ্বাণী করার সময় মডেলটি ভাল হবে না।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.