আমি মনে করি এটি র্যান্ডম অরণ্যগুলিতে (র্যান্ডমফরেস্ট ) চেষ্টা করে দেখার মতো হবে ; সম্পর্কিত প্রশ্নের জবাবে কিছু তথ্য সরবরাহ করা হয়েছিল: মেশিন লার্নিংয়ের ক্রস-বৈধতা সম্পাদন করার সময় "চূড়ান্ত" মডেলের জন্য বৈশিষ্ট্য নির্বাচন ; কার্ট মডেল কি শক্তিশালী করা যায়? । বুস্টিং / ব্যাগিং তাদের একক কার্টের তুলনায় আরও স্থিতিশীল করে তোলে যা ছোট ছোট ভাঁড়ের কাছে অত্যন্ত সংবেদনশীল হিসাবে পরিচিত। কিছু লেখক যুক্তি দিয়েছিলেন যে এটি কার্যকর হিসাবে শাস্তিযুক্ত এসভিএম বা গ্রেডিয়েন্ট বুস্টিং মেশিনগুলিও সম্পাদন করেছে (দেখুন, উদাহরণস্বরূপ এট আল।, ২০০৯)। আমি মনে করি তারা অবশ্যই এনএনএসকে ছাড়িয়ে গেছে।
বুলেস্টেইক্স এবং স্ট্রোবিল অনুকূল শ্রেণিবদ্ধ নির্বাচনের বেশ কয়েকটি শ্রেণিবদ্ধের এবং ত্রুটির হার অনুমানের ক্ষেত্রে নেতিবাচক পক্ষপাতের একটি সুন্দর ওভারভিউ সরবরাহ করে: উচ্চ-মাত্রিক পূর্বাভাসের উপর একটি অভিজ্ঞতামূলক গবেষণা (বিএমসি এমআরএম 2009 9: 85)। আমি চতুর্থ EAM সভায় আরেকটি ভাল অধ্যয়নের কথা শুনেছি , যা মেডিসিনের পরিসংখ্যানগুলিতে পর্যালোচনা করা উচিত ,
জোয়াও মারোকো , দিনা সিলভা, মানুয়েলা গেরেরিও , আলেকজান্দ্রি দে মেন্ডোনিয়া। র্যান্ডম অরণ্যগুলি কি নিউরাল নেটওয়ার্কগুলি সমর্থন করে, ভেক্টর মেশিনগুলি এবং বৈষম্যমূলক বিশ্লেষণ শ্রেণিবদ্ধকে সমর্থন করে? জ্ঞানীয় অভিযোগ সহ প্রবীণ রোগীদের ডিমেনশিয়া সম্পর্কিত বিবর্তনে কেস স্টাডি
আমিও কেরেট পছন্দ করি প্যাকেজটিও : এটি ভালভাবে নথিভুক্ত এবং একই ডেটা সেটে বিভিন্ন শ্রেণিবদ্ধদের ভবিষ্যদ্বাণীমূলক নির্ভুলতার তুলনা করতে দেয়। এটি প্রশিক্ষণ / পরীক্ষার নমুনাগুলি, কম্পিউটিং যথার্থতা ইত্যাদি ব্যবহারকারীর পক্ষে কয়েকটি কার্যক্রমে পরিচালনা করার যত্ন নেয়।
Glmnet প্যাকেজ, ফ্রিডম্যান এবং Coll থেকে।, কার্যে প্রচলন শাস্তি GLM (পর্যালোচনার দেখতে পরিসংখ্যানগত সফটওয়্যার জার্নাল ), তাই আপনি একটি সুপরিচিত মডেলিং কাঠামোর মধ্যে থাকা।
অন্যথায়, আপনি অ্যাসোসিয়েশন রুলস ভিত্তিক শ্রেণিবদ্ধও সন্ধান করতে পারেন ( মেশিন লার্নিংয়ের সিআরএএন টাস্ক ভিউ বা তাদের কয়েকটিটির মৃদু পরিচয়ের জন্য ডেটা মাইনিংয়ের শীর্ষ 10 অ্যালগরিদম দেখুন )।
আমি আর একটি আকর্ষণীয় পদ্ধতির উল্লেখ করতে চাই যা আমি আর-এ পুনরায় বাস্তবায়নের পরিকল্পনা করছি (আসলে এটি মাতলাব কোড) যা হেরেব আব্বির কাছ থেকে পৃথক পৃথক চিঠিপত্রের বিশ্লেষণ । যদিও প্রাথমিকভাবে প্রচুর পরিমাণে ব্যাখ্যামূলক ভেরিয়েবল (শেষ পর্যন্ত সুসংহত ব্লকগুলিতে শ্রেণিবদ্ধ) দিয়ে ছোট-নমুনা অধ্যয়নের সাথে মোকাবিলা করার জন্য বিকাশ করা হয়েছিল তবে এটি ক্লাসিকাল ডিএকে দক্ষতার সাথে ডেটা হ্রাস কৌশলগুলির সাথে একত্রিত করে বলে মনে হচ্ছে।
তথ্যসূত্র
- ক্যাটলার, এ।, ক্যাটলার, ডিআর এবং স্টিভেন্স, জেআর (২০০৯)। ক্যান্সার গবেষণায় হাই-ডাইমেনশনাল ডেটা অ্যানালাইসিসে ট্রি-ভিত্তিক পদ্ধতিগুলি , লি, এক্স এবং এক্স, আর (অ্যাড।), পিপি। 83-101, স্প্রঞ্জার।
- সিয়েস, ওয়াই।, ইনজা, আই। এবং ল্যারাগাগা, পি। (2007)। বায়োইনফরম্যাটিক্সে বৈশিষ্ট্য নির্বাচন কৌশলগুলির একটি পর্যালোচনা । বায়োইনফরম্যাটিকস, 23 (19): 2507-2517।