'দুর্বল শিক্ষার্থী' বলতে কী বোঝায়?

Question

'দুর্বল শিক্ষানবিশ' শব্দটির অর্থ কি কেউ আমাকে বলতে পারেন? এটি কি একটি দুর্বল অনুমান বলে মনে করা হচ্ছে? দুর্বল শিক্ষানবিশ এবং দুর্বল শ্রেণিবদ্ধের মধ্যে সম্পর্ক সম্পর্কে আমি বিভ্রান্ত। দুটোই কি এক রকম নাকি কিছু পার্থক্য আছে?

অ্যাডাবোস্ট আলগোরিদিমে T=10,। এর অর্থ কী? আমরা কেন নির্বাচন করব T=10?

Comments

সাইটটিতে আপনাকে স্বাগতম! আমি ইংরেজী মসৃণ করতে এটি সম্পাদনা করেছি; দয়া করে নিশ্চিত হন যে এটি এখনও আপনার অর্থ কি বলেছে। এছাড়াও, আমি নিশ্চিত নই যে প্রশ্নগুলির দ্বিতীয় সেট (অ্যাডাবুস্ট সম্পর্কে) প্রথম সেটগুলির সমান কিনা? এগুলি বিভিন্ন থ্রেডে পৃথক করা আরও বোধগম্য হতে পারে।

— গুং - মনিকা পুনরায়

Answer 1

একজন 'দুর্বল' শিক্ষানবিশ (শ্রেণিবদ্ধ, ভবিষ্যদ্বাণীকারী, ইত্যাদি) তুলনামূলকভাবে খারাপ অভিনয় করে এমন এক - এর যথার্থতা সুযোগের aboveর্ধ্বে, তবে সবেমাত্র। এটি প্রায়শই থাকে, তবে সর্বদা হয় না, এটি যুক্ত করা যায় যে এটি গণনার দিক থেকে সহজ। দুর্বল শিক্ষার্থী আরও পরামর্শ দেয় যে অ্যালগরিদমের বেশ কয়েকটি উদাহরণ একত্রে "শক্তিশালী" পোশাকের শ্রেণিবদ্ধ তৈরি করার জন্য (বুস্টিং, ব্যাগিং ইত্যাদির মাধ্যমে) পুল করা হচ্ছে।

এটি ফ্রিন্ড এবং শ্যাপিয়ারের মূল অ্যাডাবুস্ট পেপারে উল্লেখ করা হয়েছে:

সম্ভবত এই অ্যাপ্লিকেশনগুলির মধ্যে সবচেয়ে অবাক করা হ'ল "বুস্টিং" এর জন্য নতুন অ্যাপ্লিকেশনটির উদ্ভব, অর্থাত্ একটি "দুর্বল" পিএসি লার্নিং অ্যালগরিদমকে রূপান্তর করা যা নির্বিচারে উচ্চ নির্ভুলতার সাথে এলোমেলো অনুমানের চেয়ে কিছুটা ভাল সম্পাদন করে। - (ফ্রয়েন্ড এবং স্ক্যাপায়ার, 1995)

তবে আমি মনে করি এই শব্দগুচ্ছটি আসলে তার থেকেও বেশি পুরানো - আমি ১৯৮০ এর দশক থেকে মানুষকে মাইকেল কার্নসের একটি টার্ম পেপার (?!) উদ্ধৃত করে দেখেছি।

দুর্বল লার্নারের ক্লাসিক উদাহরণটি হ'ল ডিসিশন স্টাম্প, একটি এক-স্তরীয় সিদ্ধান্ত গাছ (1 আর বা ওয়ানআর হ'ল সাধারণভাবে ব্যবহৃত দুর্বল শিক্ষার্থী; এটি মোটামুটি একইরকম)। কোনও এসভিএমকে 'দুর্বল শিক্ষানবিস' বলা কিছুটা অদ্ভুত বিষয় হবে এমনকি এমন পরিস্থিতিতেও যখন এটি খারাপ কাজ করে না, তবে কোনও একক সিদ্ধান্তের স্টাম্পকে দুর্বল শিক্ষানবিস বলার পক্ষে এটি যুক্তিসঙ্গত হবে এমনকি যখন এটি নিজেই আশ্চর্যজনকভাবে ভাল অভিনয় করে।

---

অ্যাডাবোস্ট একটি পুনরাবৃত্ত অ্যালগরিদম এবং সাধারণত পুনরাবৃত্তির সংখ্যা বা "রাউন্ড" বোঝায়। অ্যালগরিদম ডেটাতে দুর্বল শিক্ষার্থী প্রশিক্ষণ / পরীক্ষা করে প্রতিটি উদাহরণকে সমানভাবে ওজন করে শুরু হয়। যেসব উদাহরণগুলি ভুল শংসায়িত রয়েছে সেগুলি পরবর্তী রাউন্ডগুলির জন্য ওজন বাড়িয়ে তুলবে, যখন সঠিকভাবে শ্রেণিবদ্ধ করা হয় তাদের ওজন হ্রাস পায়।$T$

আমি নিশ্চিত নই যে সম্পর্কে জাদুকর কিছু আছে । 1995 এর কাগজে, টি একটি নিখরচায় প্যারামিটার হিসাবে দেওয়া হয় (যেমন, আপনি নিজেরাই সেট করেছেন)।$T=10$$T$

Comments

আমি যতদূর জানি একটি ডিসিশনস্টাম্প 1 বিধি থেকে আলাদা। একটি সিদ্ধান্ত স্টাম্প সর্বদা বাইনারি 1-স্তরের গাছ (নামমাত্র এবং সংখ্যাসূচক উভয় বৈশিষ্ট্যের জন্য)। 1 বিধিতে 2 টিরও বেশি বাচ্চা থাকতে পারে (নামমাত্র এবং সংখ্যাসূচক উভয়ের জন্য) এবং সংখ্যাসূচক বৈশিষ্ট্যের জন্য একটি মান দ্বারা বাইনারি বিভাজনের চেয়ে জটিল পরীক্ষা থাকে। এছাড়াও, ডব্লিউইএএতে 2 টি পৃথক বাস্তবায়ন রয়েছে: ডিকশনস্টাম্প এবং ওয়ানআর।

— রপাইও

হুম ... আমার ধারণা তুমি ঠিক আছ মূল 1 আর গবেষণাপত্রে বলা হয়েছে "1-বিধি নামে পরিচিত এই গবেষণাপত্রে নির্দিষ্ট ধরণের বিধিগুলি হ'ল নিয়ম যা কোনও একক বৈশিষ্ট্যের ভিত্তিতে কোনও বস্তুকে শ্রেণিবদ্ধ করে (যেমন, তারা 1-স্তরের সিদ্ধান্তের গাছ।" তবে সিদ্ধান্তের গাছগুলি পারে বিভিন্নভাবে কার্যকর করা হবে I'll আমি এটিকে পরিষ্কার করব

— ম্যাট ক্রাউস

একটি নেটিভ ওয়ানআর বাস্তবায়নও রয়েছে: সিআরএএন: ওআরআর-এর ওয়ানআর প্যাকেজ: সিআরএন.আর- প্রজেক্ট.আর / প্যাকেজ = ওনার , এখানে উইগনেটটি রয়েছে : cran.r-project.org/web/packages/OneR/vignettes/OneR এইচটিএমএল (সম্পূর্ণ প্রকাশ: আমি এই প্যাকেজের লেখক)।

— ভনজড

Answer 2

দুর্বল শিক্ষার্থী এমন এক শিক্ষানবিস যে প্রশিক্ষণের ডেটা বন্টন যা-ই করা হোক না কেন সুযোগের চেয়ে সর্বদা ভাল করবে, যখন এটি ডেটা লেবেল করার চেষ্টা করে। সুযোগের চেয়ে ভাল করার অর্থ আমাদের সর্বদা একটি ত্রুটির হার হবে যা 1/2 এর চেয়ে কম।

$X$$Y$

$H_x$$Y$

এটি শেষ পর্যন্ত দুর্বল শিক্ষার্থীদের উন্নতি করে এবং তাদের শক্তিশালী শিক্ষার্থীদের রূপান্তরিত করে ।

আরও তথ্যের জন্য: https://youtu.be/zUXJb1hdU0k ।

Comments

সিভিতে আপনাকে স্বাগতম। যেহেতু আপনি এখানে নতুন, আপনি আমাদের সফর নিতে চাইতে পারেন , যাতে নতুন ব্যবহারকারীদের জন্য তথ্য রয়েছে। । এই উত্তরটি আগের উত্তরগুলির তুলনায় নতুন কিছু সরবরাহ করেছে বা উন্নত বলে মনে হচ্ছে না। আপনি কি মনে করেন যে আগের কিছুগুলি অনুপস্থিত আছে?

— টিজিই -

কেন এটি 1/2 এর নীচে হওয়া উচিত। ত্রুটির হার যদি 1/2 এর উপরে হয় তবে এটি দুর্বল শ্রেণিবদ্ধও হওয়া উচিত।

— কোড পোপ

@ কোডপোপ, আমি আপনার বক্তব্যটি পেয়েছি, তবে আসলে "দুর্বল শিক্ষানবিস" এ জাতীয় শর্তাবলী হিসাবে আনুষ্ঠানিকভাবে সংজ্ঞায়িত করা হয়েছে। আমি 50% এরও বেশি ত্রুটিযুক্ত এমন কোনও মডেলকেও সম্মতি জানাই এছাড়াও দুর্বল এবং দুর্বলও। বিজ্ঞানীদের দ্বারা সংজ্ঞায়িত হিসাবে প্রথাগত সংজ্ঞা বলতে গেলে, দুর্বল শিক্ষানবিশ এমন একজন যা 1/2 বা 50% এরও কম ত্রুটিযুক্ত রয়েছে।

— আনিশ সিং ওয়ালিয়া

Answer 3

দুর্বল শিক্ষার্থী দুর্বল শ্রেণিবদ্ধকারী বা দুর্বল ভবিষ্যদ্বাণীকের মতো। ধারণাটি হ'ল আপনি একটি শ্রেণিবদ্ধ ব্যবহার করেন যা হ'ল ... ভাল না, তবে এলোমেলো থেকে কমপক্ষে ভাল। সুবিধাটি হ'ল শ্রেণিবদ্ধী ওভারফিটিংয়ের ক্ষেত্রে শক্তিশালী হবে। অবশ্যই আপনি কেবল একটি ব্যবহার করেন না তবে সেগুলির একটি বড় সেট, প্রতিটি এলোমেলো থেকে কিছুটা ভাল। আপনি তাদের সঠিকভাবে নির্বাচন / সংযুক্ত করার পদ্ধতি পদ্ধতি / অ্যালগরিদমের উপর নির্ভর করে যেমন অ্যাডাবোস্ট।

দুর্বল শ্রেণিবদ্ধ হিসাবে অনুশীলনে আপনি একটি একক বৈশিষ্ট্যে সাধারণ প্রান্তিকের মতো কিছু ব্যবহার করেন। যদি বৈশিষ্ট্যটি প্রান্তিকের উপরে থাকে তবে আপনি পূর্বাভাস দিয়েছেন এটি ইতিবাচকদের সাথে সম্পর্কিত নয়ত আপনি সিদ্ধান্ত নেবেন যে এটি নেতিবাচক to টি = 10 সম্পর্কে নিশ্চিত নন, যেহেতু কোনও প্রসঙ্গ নেই, তবে আমি ধরে নিতে পারি এটি কোনও বৈশিষ্ট্যের প্রান্তিকের উদাহরণ।