লজিস্টিক রিগ্রেশন সম্পর্কিত দার্শনিক প্রশ্ন: কেন সর্বোপরি প্রান্তিক মান প্রশিক্ষিত হয় না?


13

সাধারণত লজিস্টিক রিগ্রেশন, আমরা একটি মডেল ফিট এবং প্রশিক্ষণ সেট কিছু পূর্বাভাস পেতে। তারপরে আমরা সেই প্রশিক্ষণের পূর্বাভাসগুলি ( এখানে কিছু জাতীয় ) ক্রস-বৈধকরণ এবং আরওসি বক্ররেখার মতো কোনও কিছুর উপর ভিত্তি করে অনুকূল থ্রোসোল্ড মানটি নির্ধারণ করি।

আমরা কেন আসল মডেলের মধ্যে দোরের ক্রস-বৈধকরণকে একত্রিত করি না এবং পুরো জিনিসটিকে শেষ থেকে শেষ পর্যন্ত প্রশিক্ষণ দিই না?

উত্তর:


19

মডেলটির সাথে একটি প্রান্তিক প্রশিক্ষণ দেওয়া হয়নি কারণ লজিস্টিক রিগ্রেশন কোনও শ্রেণিবদ্ধ নয় (সিএফ।, কেন লজিস্টিক রিগ্রেশনকে লজিস্টিক শ্রেণিবিন্যাস বলা হয় না? )। এটি প্যারামিটার, , অনুমান করার জন্য একটি মডেল যা বার্নোল্লি বিতরণের আচরণ পরিচালনা করে। এটি হ'ল, আপনি ধরে নিচ্ছেন যে প্রতিক্রিয়ার বিতরণ, কোভেরিয়েটগুলির শর্তসাপেক্ষ, বার্নৌল্লি, এবং সুতরাং আপনি অনুমান করতে চান যে প্যারামিটারগুলি কীভাবে covariates এর ফাংশন হিসাবে সেই পরিবর্তনশীল পরিবর্তনগুলি নিয়ন্ত্রণ করে। এটা একটা সরাসরি সম্ভাব্যতা মডেল শুধুমাত্র । অবশ্যই এটি পরবর্তীকালে শ্রেণিবদ্ধকারী হিসাবে ব্যবহার করা যেতে পারে এবং কখনও কখনও কিছু নির্দিষ্ট প্রসঙ্গে থাকে তবে এটি এখনও সম্ভাবনার মডেল। p


1
ঠিক আছে, আমি তত্ত্বের সেই অংশটি বুঝতে পেরেছি (সেই স্পষ্ট ব্যাখ্যাটির জন্য আপনাকে ধন্যবাদ!) তবে কেন আমরা শ্রেণিবিন্যাসের দিকটি মডেলটিতে অন্তর্ভুক্ত করতে পারি না? তা হল, কেন আমরা পি খুঁজে পাচ্ছি না, তারপরে প্রান্তিক সন্ধান করতে এবং কিছু ক্ষতি হ্রাস করার জন্য পুরো জিনিসটিকে শেষ থেকে শেষ পর্যন্ত প্রশিক্ষণ দিতে পারি না?
স্ট্যাটাসস্রেস্রেস

4
আপনি অবশ্যই করতে পারেন (@ সাইকোরাক্সের উত্তরটি সেই সম্ভাবনার সাথে কথা বলে)। তবে এলআর নিজে যা তা তা নয়, বরং কিছু কিছু অ্যাডহক বৃদ্ধির জন্য আপনাকে নিজেরাই পুরো অপটিমাইজেশন স্কিমটি কোড করতে হবে। বিটিডাব্লু নোট করুন, যে ফ্রাঙ্ক হ্যারেল নির্দেশ করেছেন যে প্রক্রিয়াটি এমন অনেকগুলি মানের দিকে পরিচালিত করবে যা নিম্নমানের মডেল হিসাবে বিবেচিত হতে পারে।
গুং - মনিকা পুনরায়

1
হুম। আমি এখানে সম্পর্কিত প্রশ্নে স্বীকৃত উত্তরটি পড়েছি , এবং আমি এটিতে তত্ত্বের সাথে একমত হই, তবে কখনও কখনও মেশিন লার্নিং শ্রেণিবদ্ধকরণ অ্যাপ্লিকেশনগুলিতে আমরা আপেক্ষিক ত্রুটির ধরণের বিষয়ে যত্ন করি না, আমরা কেবল "সঠিক শ্রেণিবিন্যাস" সম্পর্কে যত্নশীল। সেক্ষেত্রে আমার বর্ণনা অনুসারে আপনি কি শেষ থেকে শেষ পর্যন্ত প্রশিক্ষণ দিতে পারবেন?
স্ট্যাটাসস্রেস্রেস

4
যেমনটি আমি বলেছি, আপনি নিজের কাস্টম অপ্টিমাইজেশন সেট আপ করতে পারেন যা মডেলকে প্রশিক্ষণ দেবে এবং একসাথে প্রান্তিক নির্বাচন করবে। আপনাকে কেবল এটি নিজেই করতে হবে এবং চূড়ান্ত মডেল বেশিরভাগ মান দ্বারা দরিদ্র হতে পারে।
গুং - মনিকা পুনরায়

1
@ স্ট্যাটসরাস্রেস "... কখনও কখনও মেশিন লার্নিংয়ের শ্রেণিবিন্যাসে ..."। কখনও কখনও একটি বড় জোর দেওয়া উচিত । এমন কোনও প্রকল্পের কল্পনা করা শক্ত যেখানে সঠিকতা সঠিক উত্তর। আমার অভিজ্ঞতায় এটি সর্বদা সংখ্যালঘু শ্রেণীর যথার্থতা এবং পুনর্বিবেচনা জড়িত।
ওয়েইন

15

এটি হ'ল সর্বোত্তম প্রান্তিকতা কেবল সত্য পজিটিভ রেট (টিপিআর), মিথ্যা পজিটিভ রেট (এফপিআর), নির্ভুলতা বা অন্য যে কোনও কিছু নয়। অন্যান্য গুরুত্বপূর্ণ উপাদানটি হ'ল সঠিক এবং ভুল সিদ্ধান্তের ব্যয় এবং পরিশোধ ।

যদি আপনার লক্ষ্যটি একটি সাধারণ সর্দি, আপনার ইতিবাচক পরীক্ষার প্রতিক্রিয়া হ'ল দুটি অ্যাসপিরিন নির্ধারণ করা এবং সত্যিকারের চিকিত্সা না করা পজিটিভের ব্যয় হ'ল অপ্রয়োজনীয় দু'দিনের মাথা ব্যথা, তবে আপনার অনুকূল সিদ্ধান্ত (শ্রেণিবিন্যাস নয়!) প্রান্তিকতা যথেষ্ট আপনার লক্ষ্যটি হ'ল কিছু প্রাণঘাতী রোগ এবং আপনার সিদ্ধান্তটি ভিন্ন (ক) অ্যাপেনডেকটমির মতো তুলনামূলক সহজ পদ্ধতি বা (খ) কেমোথেরাপির মাসগুলির মতো বড় হস্তক্ষেপ! এবং মনে রাখবেন যে আপনার টার্গেট ভেরিয়েবলটি বাইনারি (অসুস্থ / স্বাস্থ্যকর) হতে পারে তবে আপনার সিদ্ধান্তের আরও মান থাকতে পারে (দুটি এসপিরিন সহ বাড়িতে পাঠান / আরও পরীক্ষা চালান / হাসপাতালে ভর্তি হন এবং অবিলম্বে ঘড়ি / পরিচালনা করেন) operate

নীচের লাইন: আপনি যদি নিজের ব্যয় কাঠামো এবং সমস্ত বিভিন্ন সিদ্ধান্ত জানেন তবে আপনি অবশ্যই কোনও সিদ্ধান্ত সমর্থন সিস্টেম (ডিএসএস) সরাসরি প্রশিক্ষণ দিতে পারেন, যার মধ্যে সম্ভাব্য শ্রেণিবিন্যাস বা পূর্বাভাস অন্তর্ভুক্ত রয়েছে। তবে আমি দৃ strongly়ভাবে যুক্তি দিয়ে বলব যে প্রান্তিকের মধ্য দিয়ে ভবিষ্যদ্বাণী বা শ্রেণিবিন্যাসকে বিবেচনা করা এ বিষয়ে সঠিক উপায় নয়।

আরও দেখুন অতীতের 'ক্লাসিফিকেশন সম্ভাব্যতা থ্রেশহোল্ড "থ্রেডে আমার উত্তর । অথবা আমার এই উত্তর । বা যে এক


4

দার্শনিক উদ্বেগগুলি বাদ দিলে এটি গণনামূলক অসুবিধার কারণ হতে পারে।

যে কারণে অবিচ্ছিন্ন আউটপুট সহ ফাংশনগুলি অপ্টিমাইজ করা সহজ। ফাংশনটি যেদিকে বাড়বে সেই দিকে আপনি তাকান এবং তারপরে সেদিকে যান। যদি আমরা "কাট অফ" পদক্ষেপটি অন্তর্ভুক্ত করতে আমাদের ক্ষতির ক্রিয়াকলাপটি পরিবর্তন করি তবে আমাদের আউটপুটটি বিচ্ছিন্ন হয়ে যায় এবং আমাদের ক্ষতির কাজটিও তাই বিচ্ছিন্ন। এখন যখন আমরা আমাদের লজিস্টিক ফাংশনটির প্যারামিটারগুলিকে "সামান্য" দ্বারা পরিবর্তিত করি এবং যৌথভাবে "অল্প" দ্বারা কটঅফ মান পরিবর্তন করি, আমাদের ক্ষতি একটি অভিন্ন মান দেয় এবং অনুকূলকরণটি কঠিন হয়ে যায়। অবশ্যই, এটি অসম্ভব নয় ( পৃথক অপ্টিমাইজেশানের সম্পূর্ণ গবেষণার ক্ষেত্র রয়েছে ) তবে অবিচ্ছিন্ন অপ্টিমাইজেশন খুব বেশি দূরেআপনি যখন অনেকগুলি পরামিতিগুলি অনুকূল করে তুলছেন তখন সমাধান করার সহজ সমস্যা। সুবিধার্থে, একবার লজিস্টিক মডেল ফিট হয়ে গেলে অনুকূল কাটঅফ সন্ধান করা, যদিও এখনও একটি বিচ্ছিন্ন আউটপুট সমস্যা হয় তবে এখন কেবল একটি ভেরিয়েবলের মধ্যে রয়েছে, এবং আমরা কেবল একটি গ্রিড অনুসন্ধান করতে পারি বা এমন কিছু করতে পারি, যা একটি ভেরিয়েবলে সম্পূর্ণ কার্যকর able


3

অন্তর্নিহিত মডেল নির্বিশেষে, আমরা একটি প্রান্তিক স্থানে টিপিআর এবং এফপিআর এর নমুনা বিতরণ কাজ করতে পারি। এর দ্বারা বোঝা যায় যে আমরা টিপিআর এবং এফপিআর-র কিছুটা প্রান্তিকের পার্থক্যটি চিহ্নিত করতে পারি এবং আমরা একটি কাঙ্ক্ষিত ত্রুটি হার বাণিজ্য বন্ধ করতে পারি।

একটি আরওসি বক্ররেখা কিছুটা বিভ্রান্তিকর কারণ আপনি নিয়ন্ত্রণ করেন কেবলমাত্র থ্রেশহোল্ড, তবে প্লটটি টিপিআর এবং এফপিআর প্রদর্শন করে যা প্রান্তিকের কাজ। তদ্ব্যতীত, টিপিআর এবং এফপিআর উভয়ই পরিসংখ্যান , তাই এগুলি এলোমেলো নমুনা দেওয়ার বিষয়গুলিতে। এর দ্বারা বোঝা যায় যে আপনি যদি পদ্ধতিটি পুনরায় পুনর্বার করতে চান (ক্রস-বৈধকরণের মাধ্যমে বলুন), আপনি কিছু নির্দিষ্ট প্রান্তিক মান ধরে আলাদা এফপিআর এবং টিপিআর নিয়ে আসতে পারেন।

তবে, যদি আমরা টিপিআর এবং এফপিআর মধ্যে পরিবর্তনশীলতা অনুমান করতে পারি, তবে আরওসি পদ্ধতি পুনরাবৃত্তি করা প্রয়োজন নয়। আমরা কেবলমাত্র একটি প্রান্তিক বাছাই করি যাতে একটি আত্মবিশ্বাসের বিরতি (কিছু প্রস্থ সহ) এর শেষ পয়েন্টগুলি গ্রহণযোগ্য হয়। এটি হ'ল, মডেলটি বেছে নিন যাতে এফপিআর কিছু গবেষক-নির্দিষ্ট সর্বাধিক নীচের নীচে থাকে এবং / বা টিপিআর সম্ভবত কিছু গবেষক-নির্দিষ্ট ন্যূনতমের উপরে থাকে। যদি আপনার মডেল আপনার লক্ষ্যগুলি অর্জন করতে না পারে তবে আপনাকে আরও একটি ভাল মডেল তৈরি করতে হবে।

অবশ্যই, আপনার ব্যবহারে টিপিআর এবং এফপিআর মানগুলি সহনীয় কী তা প্রসঙ্গ নির্ভর dependent

আরও তথ্যের জন্য, ওয়াজটেক জে ক্রজানোভস্কি এবং ডেভিড জে হ্যান্ডের ক্রমাগত ডেটার জন্য আরওসি কার্ভগুলি দেখুন।


এটি সত্যই আমার প্রশ্নের উত্তর দেয় না, তবে এটি আরওসি বক্ররেখার খুব সুন্দর বর্ণনা।
স্ট্যাটাসস্রেস্রেস

কীভাবে এটি আপনার প্রশ্নের উত্তর দেয় না? আপনার প্রশ্নটি কী, যদি শ্রেণিবিন্যাসের জন্য একটি প্রান্তিক নির্বাচন কীভাবে জিজ্ঞাসা না করে?
সাইকোরাক্স মনিকাকে

2
আমি সেভাবে কাজ করে এমন কোনও পরিসংখ্যান প্রক্রিয়া সম্পর্কে অবগত নই। কেন এই বর্গাকার চাকা একটি ভাল ধারণা? এটি কোন সমস্যার সমাধান করে?
সাইকোরাক্স মনিকাকে পুনরায়

1
"প্রশিক্ষণের সময় হ্রাস করার উপায়ে আমি কীভাবে একটি প্রান্তিক নির্বাচন করব?" আপনার মূল পোস্টের একটি থেকে খুব আলাদা প্রশ্নের মতো মনে হচ্ছে।
সাইকোরাক্স মনিকাকে

1
নির্বিশেষে, আমি কীভাবে এটি সময় সাশ্রয় করি তা দেখছি না। কোনও আরওসি বক্ররেখা তৈরি করা কোনও মডেলটি অনুমানের সবচেয়ে ব্যয়বহুল অংশ নয়, সুতরাং থ্রেশহোল্ড পছন্দটিকে অপ্টিমাইজেশন ধাপে সরিয়ে নেওয়া অ্যাডহক এবং অপ্রয়োজনীয় বলে মনে হয় ।
সাইকোরাক্স মনিকাকে পুনরায়

-2

বায়োমেডিকাল গবেষণায় সাধারণত আমরা একটি প্রশিক্ষণ সেট ব্যবহার করি না --- আমরা কেবলমাত্র ফলাফলের দিকে তাকিয়ে রয়েছি ফলাফলগুলি কী কী ঝুঁকিপূর্ণ কারণগুলি তা দেখার জন্য সম্পূর্ণ ডেটাসেটে লজিস্টিক রিগ্রেশন প্রয়োগ করি; বা ফলাফলের উপর সম্ভাব্য অন্যান্য ভবিষ্যদ্বাণীকারীদের প্রভাবের জন্য নিয়ন্ত্রণ করার সময় আগ্রহের একজন ভবিষ্যদ্বাণীকের দিকে নজর দেওয়া।
প্রান্তিক মানগুলি দ্বারা আপনি কী বোঝাতে চাইছেন তা আমি নিশ্চিত নই, তবে বিভিন্ন পরামিতি রয়েছে যা যে কেউ অনুকূলিত করতে চাইতে পারে: এউসি, ধারাবাহিক প্রেডিকটার ভেরিয়েবল, ধনাত্মক এবং নেতিবাচক ভবিষ্যদ্বাণীমূলক মান, আত্মবিশ্বাসের ব্যবধান এবং পি-মানগুলি, মিথ্যা ধনাত্মক এবং মিথ্যা নেতিবাচক হার। লজিস্টিক রিগ্রেশন বিষয়গুলির একটি জনসংখ্যার দিকে নজর দেয় এবং সেই জনসংখ্যার আগ্রহের ফলাফলকে অবদান রাখার ঝুঁকির কারণগুলির কার্যকারিতা এবং কার্যকারিতা পরিচালনা করে। "বিপরীতে এটি চালানো" এটিও সম্ভব, যাতে কথা বলা এবং পৃথক ব্যক্তির যে ঝুঁকির কারণ রয়েছে তার কারণে ব্যক্তির ফলাফলের ঝুঁকি নির্ধারণ করা যায়। লজিস্টিক রিগ্রেশন প্রতিটি স্বতন্ত্র ঝুঁকির উপর ভিত্তি করে ফলাফলের ঝুঁকি নিযুক্ত করে এবং ডিফল্টরূপে এটি 0.5 হয়। যদি একটি বিষয় ' ফলাফল হওয়ার সম্ভাবনা (আপনার মডেলের সমস্ত ডেটা এবং বিষয়গুলির উপর ভিত্তি করে) 0.5 বা তার বেশি, এটি ভবিষ্যদ্বাণী করে যে তার ফলাফল হবে; যদি 0.5 এর নিচে থাকে তবে ভবিষ্যদ্বাণী করে যে সে করবে না। তবে আপনি এই কাটঅফ স্তরটি সামঞ্জস্য করতে পারেন, উদাহরণস্বরূপ আরও বেশি ব্যক্তির পতাকা তুলতে যারা পরিণতি হওয়ার ঝুঁকি নিয়ে থাকতে পারে, তবুও মডেলটির দ্বারা আরও মিথ্যা ইতিবাচক হওয়ার পূর্বে এমনটি বলা যেতে পারে। কোন ব্যক্তিকে আরও মেডিকেল ফলোআপ গ্রহণের পরামর্শ দেওয়া হবে উদাহরণস্বরূপ, ভবিষ্যদ্বাণী করতে স্ক্রিনিংয়ের সিদ্ধান্তগুলি অনুকূল করতে আপনি এই কাট অফ স্তরটি সামঞ্জস্য করতে পারেন; এবং লজিস্টিক রিগ্রেশন মডেলের উপর ভিত্তি করে আপনার ইতিবাচক ভবিষ্যদ্বাণীমূলক মান, negativeণাত্মক ভবিষ্যদ্বাণীমূলক মান এবং মিথ্যা নেতিবাচক এবং মিথ্যা ধনাত্মক হারগুলি তৈরি করতে। আপনি আপনার অর্ধেক ডেটাসেটে মডেলটি বিকাশ করতে পারেন এবং অন্য অর্ধে এটি পরীক্ষা করতে পারেন, তবে আপনি ' আসলেই তা করতে হবে (এবং এটি করার ফলে আপনার 'প্রশিক্ষণ' তথ্য অর্ধেক কেটে যাবে এবং এভাবে মডেলটিতে উল্লেখযোগ্য ভবিষ্যদ্বাণীকারীদের সন্ধান করার ক্ষমতা হ্রাস পাবে)। সুতরাং হ্যাঁ, আপনি 'শেষ পর্যন্ত পুরো বিষয়টিকে প্রশিক্ষণ দিতে পারেন'। অবশ্যই, বায়োমেডিকাল গবেষণায়, আপনি এটিকে অন্য জনসংখ্যার ভিত্তিতে বৈধ করতে চান, আপনার ফলাফলকে আরও ব্যাপক জনসংখ্যায় সাধারণীকরণ করা যেতে পারে বলে আগে সেট করা অন্য একটি ডেটা। আরেকটি পদ্ধতি হ'ল বুটস্ট্র্যাপিং-টাইপ পদ্ধতির ব্যবহার যেখানে আপনি আপনার অধ্যয়নের জনসংখ্যার একটি নমুনায় আপনার মডেল চালান, তারপরে সেই বিষয়গুলিকে পুনরায় পুলের মধ্যে প্রতিস্থাপন করুন এবং আরও একটি নমুনা দিয়ে পুনরাবৃত্তি করুন, বহুবার (সাধারণত 1000 বার)। যদি আপনি উল্লেখযোগ্য ফলাফলগুলি সময় নির্ধারিত সিংহভাগ (যেমন 95% সময়) পান তবে আপনার মডেলটি বৈধ হিসাবে বিবেচিত হতে পারে --- কমপক্ষে আপনার নিজের ডেটাতে। তবে আবার, আপনি যে মডেলটি চালাবেন তার অল্প অধ্যয়ন জনসংখ্যা, কম সম্ভাবনা হ'ল কিছু ভবিষ্যদ্বাণীকারী ফলাফলের জন্য পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ ঝুঁকির কারণ হয়ে উঠবেন। সীমিত সংখ্যক অংশগ্রহণকারীদের সাথে বায়োমেডিকাল অধ্যয়নের জন্য এটি বিশেষত সত্য।
আপনার মডেলের অর্ধেকটি আপনার মডেলকে 'প্রশিক্ষণ' দিতে এবং তারপরে অন্য অর্ধে এটি 'বৈধকরণ' করা একটি অপ্রয়োজনীয় বোঝা। আপনি টি-টেস্ট বা লিনিয়ার রিগ্রেশনের জন্য এটি করেন না, তবে কেন এটি লজিস্টিক রিগ্রেশন হয়? সর্বাধিক এটি করবে আপনাকে বলতে হবে 'হ্যাঁ এটি কাজ করে' তবে আপনি যদি আপনার সম্পূর্ণ ডেটাसेट ব্যবহার করেন তবে আপনি যেভাবেই নির্ধারণ করুন। আপনার ডেটাটি ছোট ডেটাশে বিভক্ত করা অধ্যয়ন জনসংখ্যার (বা বৈধকরণের জনসংখ্যা) উল্লেখযোগ্য ঝুঁকির কারণগুলি সনাক্ত না করার ঝুঁকিকে চালিত করে যখন তারা বাস্তবে উপস্থিত থাকে, ছোট নমুনার আকারের কারণে, আপনার অধ্যয়নের আকারের জন্য অনেক বেশি ভবিষ্যদ্বাণীকারী এবং সম্ভাবনা আপনার 'বৈধতা নমুনা' সুযোগ থেকে কোনও সমিতি দেখায় না। 'ট্রেন তারপরে বৈধতা দিন' পদ্ধতির পিছনে যুক্তি মনে হয় যে আপনি যে ঝুঁকির কারণগুলি উল্লেখযোগ্য হিসাবে চিহ্নিত করেছেন তা যদি যথেষ্ট শক্ত না হয়, তখন এগুলি পরিসংখ্যানগতভাবে তাত্পর্যপূর্ণ হবে না যখন আপনার কিছু এলোমেলোভাবে নির্বাচিত অর্ধেকের মডেল করা হয়। তবে এলোমেলোভাবে নির্বাচিত নমুনাটি কেবলমাত্র সুযোগ অনুসারে কোনও সংযোগ না দেখানোর কারণ হতে পারে, বা ঝুঁকি ফ্যাক্টরের পক্ষে পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হওয়া খুব সামান্য। তবে এটি ঝুঁকি বিষয়ক (গুলি) এর পরিধি এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং এজন্য আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে। আপনার কিছু এলোমেলোভাবে নির্বাচিত অর্ধেকের মডেলিং করার সময় পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হবেন না। তবে এলোমেলোভাবে নির্বাচিত নমুনাটি কেবলমাত্র সুযোগ অনুসারে কোনও সংযোগ না দেখানোর কারণ হতে পারে, বা ঝুঁকি ফ্যাক্টরের পক্ষে পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হওয়া খুব সামান্য। তবে এটি ঝুঁকি বিষয়ক (গুলি) এর পরিধি এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং এজন্য আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে। আপনার কিছু এলোমেলোভাবে নির্বাচিত অর্ধেকের মডেলিং করার সময় পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হবেন না। তবে এলোমেলোভাবে নির্বাচিত নমুনাটি কেবলমাত্র সুযোগ অনুসারে কোনও সংযোগ না দেখানোর কারণ হতে পারে, বা ঝুঁকি ফ্যাক্টরের পক্ষে পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হওয়া খুব সামান্য। তবে এটি ঝুঁকি বিষয়ক (গুলি) এর পরিধি এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং এজন্য আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে। তবে এলোমেলোভাবে নির্বাচিত নমুনাটি কেবলমাত্র সুযোগ অনুসারে কোনও সংযোগ না দেখানোর কারণ হতে পারে, বা ঝুঁকি ফ্যাক্টরের পক্ষে পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হওয়া খুব সামান্য। তবে এটি ঝুঁকি বিষয়ক (গুলি) এর পরিধি এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং এজন্য আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে। তবে এলোমেলোভাবে নির্বাচিত নমুনাটি কেবলমাত্র সুযোগ অনুসারে কোনও সংযোগ না দেখানোর কারণ হতে পারে, বা ঝুঁকি ফ্যাক্টরের পক্ষে পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হওয়া খুব সামান্য। তবে এটি ঝুঁকি বিষয়ক (গুলি) এর পরিধি এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং এজন্য আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে। ঝুঁকি ফ্যাক্টরের (ও) এর তাত্পর্য এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং সেই কারণে আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে। ঝুঁকি ফ্যাক্টরের (ও) এর তাত্পর্য এবং তাদের পরিসংখ্যানগত তাত্পর্য যা তাদের গুরুত্ব নির্ধারণ করে এবং সেই কারণে আপনার মডেলটি তৈরি করতে আপনার সম্পূর্ণ ডেটাসেট ব্যবহার করা ভাল। পরিসংখ্যানগত তাত্পর্য ছোট নমুনা মাপের সাথে কম তাৎপর্যপূর্ণ হয়ে উঠবে, কারণ এটি বেশিরভাগ পরিসংখ্যানগত পরীক্ষার সাথে হয়। লজিস্টিক রিগ্রেশন করা কোনও পরিসংখ্যান বিজ্ঞানের মতোই একটি শিল্প। আপনার অধ্যয়নের নকশার উপর নির্ভর করে অনুকূলকরণের জন্য বিভিন্ন পদ্ধতি এবং বিভিন্ন প্যারামিটার রয়েছে।

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.