আমার কাছে ন্যূনতম সংখ্যক বৈশিষ্ট্য রয়েছে যা পরিবর্তিত হয় না এবং কয়েকটি অতিরিক্ত বৈশিষ্ট্য যা পরিবর্তন করতে পারে এবং ফলাফলের উপর তার বড় প্রভাব ফেলতে পারে। আমার ডেটা-সেটটি দেখতে এমন দেখাচ্ছে:
বৈশিষ্ট্যগুলি হ'ল এ, বি, সি (সর্বদা উপস্থিত) এবং ডি, ই, এফ, জি, এইচ (কখনও কখনও উপস্থিত)
A = 10, B = 10, C = 10 outcome = 10
A = 8, B = 7, C = 8 outcome = 8.5
A = 10, B = 5, C = 11, D = 15 outcome = 178
A = 10, B = 10, C = 10, E = 10, G = 18 outcome = 19
A = 10, B = 8, C = 9, E = 8, F = 4 outcome = 250
A = 10, B = 11, C = 13, E = 8, F = 4 outcome = 320
...
আমি ফলাফলের মানটি পূর্বাভাস দিতে চাই এবং ফলাফল নির্ধারণের জন্য অতিরিক্ত পরামিতিগুলির সংমিশ্রণ খুব গুরুত্বপূর্ণ। এই উদাহরণে, E এবং F এর উপস্থিতি একটি বড় ফলাফলের দিকে পরিচালিত করে, যেখানে E এবং G এর উপস্থিতি নেই। কোন মেশিন লার্নিং অ্যালগরিদম বা কৌশলগুলি এই ঘটনাটি ক্যাপচার করতে ভাল?
"কখনও কখনও উপস্থিত" দ্বারা, আপনি কি বোঝাতে চেয়েছেন যে কিছু সময় আপনি কেবল তাদের মান জানেন? বা যে তারা বেশিরভাগ ক্ষেত্রে ভূমিকা পালন করে না বলে পরিচিত? বা সম্ভবত অন্য কিছু?
—
ডেভিড জে হ্যারিস
@ ডেভিডজে.হরিস "কখনও কখনও উপস্থিত" দ্বারা, আমি বোঝাতে চাইছি যে বিশেষ প্রশিক্ষণের উদাহরণটিতে সম্পত্তিটি নেই। এটি শূন্যের সমান হলে এটির মতো। আমার সমস্যায়, আমার সমস্ত বৈশিষ্ট্য নির্দিষ্ট প্রদত্ত পরিসরে ধনাত্মক সংখ্যা হবে (উদাহরণস্বরূপ, 5 থেকে 15 বা 100 থেকে 1000 পর্যন্ত)।
—
বেনজামিন ক্রাউজিয়ার