ট্রেনিং সেটে ভারসাম্য রইল
লজিস্টিক রিগ্রেশন মডেলগুলির জন্য ভারসাম্যহীন প্রশিক্ষণের ডেটা কেবলমাত্র মডেল ইন্টারসেপ্টের প্রাক্কলনকে প্রভাবিত করে (যদিও এটি অবশ্যই পূর্বাভাসের সমস্ত সম্ভাবনাগুলিকে ঝাঁকিয়ে দেয় যা ফলস্বরূপ আপনার পূর্বাভাসকে আপস করে)। ভাগ্যক্রমে ইন্টারসেপ্ট সংশোধনটি সোজা: আপনি যদি 0 বা 1 এর সঠিক অনুপাতটি জানেন বা অনুমান করতে পারেন এবং প্রশিক্ষণ সংস্থার অনুপাতগুলি জানেন তবে আপনি বিরতিতে বিরল ইভেন্ট সংশোধন প্রয়োগ করতে পারেন। বিস্তারিত রয়েছে রাজা ও জেং (2001) [ পিডিএফ ]।
এই 'বিরল ইভেন্ট সংশোধন' কেস নিয়ন্ত্রণ গবেষণা ডিজাইনের জন্য ডিজাইন করা হয়েছিল, বেশিরভাগ ক্ষেত্রে এপিডেমিওলজিতে ব্যবহৃত হয়, যা একটি স্থির, সাধারণত ভারসাম্যপূর্ণ 0 টি কেস এবং 1 কেস বেছে নিয়ে কেস নির্বাচন করে এবং তারপরে ফলাফলের নমুনা নির্বাচনের পক্ষপাতিত্বের জন্য সংশোধন করা প্রয়োজন। প্রকৃতপক্ষে, আপনি আপনার শ্রেণিবদ্ধকে একইভাবে প্রশিক্ষণ দিতে পারেন। একটি চমৎকার ভারসাম্যপূর্ণ নমুনা বেছে নিন এবং তারপরে র্যান্ডম নমুনা আপনাকে বলতে সক্ষম হবেন এর চেয়ে বিরল শ্রেণীর বিষয়ে আরও জানতে আপনি নির্ভরশীল ভেরিয়েবলটি নির্বাচন করেছেন তা বিবেচনার জন্য ইন্টারসেপ্টটি সংশোধন করুন।
ভবিষ্যদ্বাণী করা
সম্পর্কিত তবে স্বতন্ত্র বিষয়ে: ভুলে যাবেন না যে ভবিষ্যদ্বাণী করার জন্য আপনার বুদ্ধিমানের দ্বার চাপানো উচিত। মডেলের সম্ভাবনা 0.5 থেকে বেশি হলে 1 টি পূর্বাভাস দেওয়া ভাল নয়। আরেকটি প্রান্তিকর আরও ভাল হতে পারে। এই লক্ষ্যে আপনার শ্রেণিবদ্ধের রিসিভার অপারেটিং চরিত্রগত (আরওসি) বক্ররেখাগুলি অনুসন্ধান করা উচিত, এটি কোনও ডিফল্ট সম্ভাব্যতা থ্রেশহোল্ডের সাথে তার ভবিষ্যদ্বাণীমূলক সাফল্য নয়।