দেখে মনে হয় যে কিছু ক্ষেত্রে মাল্টিভারিয়েট লিনিয়ার রিগ্রেশন সহ নিউরাল নেটওয়ার্কের সাথে একই রকম ফলাফল পাওয়া সম্ভব এবং মাল্টিভারিয়েট লিনিয়ার রিগ্রেশন অত্যন্ত দ্রুত এবং সহজ।
কোন পরিস্থিতিতে নিউরাল নেটওয়ার্কগুলি মাল্টিভারিয়েট লিনিয়ার রিগ্রেশনের চেয়ে ভাল ফলাফল দিতে পারে?
উত্তর:
নিউরাল নেটওয়ার্কগুলি নীতিগতভাবে ননলাইনারিটি মডেল করতে পারে স্বয়ংক্রিয়ভাবে ( সর্বজনীন আনুমানিক উপপাদ্যটি দেখুন ), যা আপনাকে রৈখিক প্রতিরোধে রূপান্তর (স্প্লিংস ইত্যাদি) ব্যবহার করে স্পষ্টভাবে মডেল করতে হবে।
সতর্কতামূলক: অতিরিক্ত মানিয়ে নেওয়ার প্রলোভন রিগ্রেশনের চেয়ে নিউরাল নেটওয়ার্কগুলিতে (এমনকি) আরও শক্তিশালী হতে পারে, যেহেতু লুকানো স্তর বা নিউরন যুক্ত করা নিরীহ দেখাচ্ছে। সুতরাং নমুনা বহির্ভূত পূর্বাভাস কর্মক্ষমতা দেখার জন্য অতিরিক্ত সতর্কতা অবলম্বন করুন।
আপনি লিনিয়ার রিগ্রেশন উল্লেখ করেন। এটি লজিস্টিক রিগ্রেশন সম্পর্কিত , যা একই রকম দ্রুত অপ্টিমাইজেশন অ্যালগরিদমযুক্ত। শ্রেণীবদ্ধকরণের সমস্যা সহ আপনার যদি লক্ষ্য মানগুলির সীমা থাকে তবে আপনি লজিস্টিক রিগ্রেশনকে লিনিয়ার রিগ্রেশনকে সাধারণীকরণ হিসাবে দেখতে পারেন।
নিউরাল নেটওয়ার্কগুলি মূল ইনপুটগুলিতে লজিস্টিক রিগ্রেশনের চেয়ে কঠোরভাবে সাধারণ, যেহেতু লুকানো নোডের সাথে স্কিপ-লেয়ার নেটওয়ার্কের সাথে (সরাসরি আউটপুটগুলির সাথে সরাসরি সংযোগগুলি সংযোগের সাথে) সম্পর্কিত ।
আপনি যখন মতো বৈশিষ্ট্য যুক্ত করেন , এটি কোনও একক গোপন স্তরের কয়েকটি গোপন নোডের ওজন চয়ন করার অনুরূপ। ঠিক পত্র নেই, যেহেতু সিগময়েড সহ মতো কোনও ফাংশন মডেল করতে একাধিক লুকানো নিউরন নিতে পারে may আপনি যখন নিউরাল নেটওয়ার্ক প্রশিক্ষণ করেন, আপনি এটির নিজের ইনপুট থেকে লুকানো লুকানো ওজন খুঁজে বের করতে দিন, যা আরও ভাল হওয়ার সম্ভাবনা রয়েছে। এটি আরও সময় নিতে পারে এবং এটি বেমানানও হতে পারে। আপনি অতিরিক্ত বৈশিষ্ট্যগুলির সাথে লজিস্টিক রিগ্রেশনের সান্নিধ্যের সাথে শুরু করতে পারেন এবং ইনপুট থেকে লুকানো ওজনকে ধীরে ধীরে প্রশিক্ষণ দিতে পারেন এবং শেষ পর্যন্ত অতিরিক্ত বৈশিষ্ট্যগুলির সাথে লজিস্টিক রিগ্রেশনের চেয়ে এটি আরও ভাল করা উচিত। সমস্যার উপর নির্ভর করে, প্রশিক্ষণের সময়টি নগণ্য বা প্রতিরোধমূলক হতে পারে।
একটি মধ্যবর্তী কৌশল হ'ল বিপুল সংখ্যক এলোমেলো নোডগুলি বেছে নেওয়া, আপনি যখন নিউরাল নেটওয়ার্ক শুরু করেন তখন এর অনুরূপ, এবং ইনপুট থেকে লুকানো ওজন ঠিক করে। *-থেকে-আউটপুট ওজনের উপর অপ্টিমাইজেশন রৈখিক থাকে। একে চূড়ান্ত লার্নিং মেশিন বলে । এটি কমপক্ষে পাশাপাশি মূল লজিস্টিক রিগ্রেশন হিসাবে কাজ করে।
লিনিয়ার রিগ্রেশন হ'ল লাইনগতভাবে পৃথকযোগ্য এমন ডেটা পৃথক করে, হ্যাঁ আপনি অতিরিক্ত তৃতীয়> ডিগ্রি বহুবচন ব্যবহার করতে পারেন তবে আপনি সেই ডেটা সম্পর্কে আবার কিছু অনুমানকে নির্দেশ করেছেন যেহেতু আপনি উদ্দেশ্যমূলক ফাংশনটির কাঠামোটি সংজ্ঞায়িত করেছেন। নিউরাল নেট ইন। সাধারণত আপনার কাছে ইনপুট স্তর থাকে যা আপনার কাছে থাকা ডেটার জন্য লিনিয়ার বিভাজক তৈরি করে এবং আড়াল করে আন্ডারস অঞ্চলগুলি যা কিছু শ্রেণি এবং শেষ স্তর ওআর এই সমস্ত অঞ্চলকে সীমাবদ্ধ করে। এই পদ্ধতিতে আপনার কাছে থাকা সমস্ত ডেটা অ রৈখিক উপায়ে শ্রেণিবদ্ধ করাতে সক্ষম, এছাড়াও এই সমস্ত প্রক্রিয়াটি অভ্যন্তরীণভাবে শিখে নেওয়া ওজন এবং সংজ্ঞায়িত ফাংশনগুলির সাথে চলছে। লিনিয়ার রিগ্রেশন এর বৈশিষ্ট্য সংখ্যা বাড়ানো ছাড়াও "মাত্রার শাপ" এর বিরোধী। এছাড়াও কিছু অ্যাপ্লিকেশনের আউটপুট হিসাবে ধ্রুব সংখ্যার চেয়ে বেশি সম্ভাব্য ফলাফল প্রয়োজন।