আমি সম্প্রতি কর্নেল ট্রিকের ব্যবহার সম্পর্কে শিখেছি, যা এই মাত্রাগুলিতে ডেটা লিনিয়ারাইজ করার প্রয়াসে উচ্চতর মাত্রিক স্থানগুলিতে ডেটা ম্যাপ করে। এমন কোনও ঘটনা আছে যেখানে আমার এই কৌশলটি ব্যবহার করা এড়ানো উচিত? এটি কি সঠিক কার্নেল ফাংশনটি অনুসন্ধান করার বিষয়?
লিনিয়ার ডেটার জন্য এটি অবশ্যই সহায়ক নয়, তবে অ-রৈখিক ডেটার জন্য এটি সর্বদা দরকারী বলে মনে হয়। রৈখিক শ্রেণিবদ্ধকারীগুলি প্রশিক্ষণের সময় এবং স্কেলিবিলিটির দিক থেকে অ-লিনিয়ারের চেয়ে অনেক সহজ।
উত্তর:
লিনিয়ার ডেটার জন্য এটি অবশ্যই সহায়ক নয়, তবে অ-রৈখিক ডেটার জন্য এটি সর্বদা দরকারী বলে মনে হয়। রৈখিক শ্রেণিবদ্ধকারীগুলি প্রশিক্ষণের সময় এবং স্কেলিবিলিটির দিক থেকে অ-লিনিয়ারের চেয়ে অনেক সহজ।
কার্টেল ট্রিক কেন কার্যকর তা @ বার্টোসকেপি ইতিমধ্যে ব্যাখ্যা করেছে। আপনার প্রশ্নের পুরোপুরি সমাধান করার জন্য আমি উল্লেখ করতে চাই যে, কার্নেলাইজেশন কেবল রৈখিকভাবে পৃথকযোগ্য ডেটা নিয়ে কাজ করার একমাত্র বিকল্প নয় ।
মডেলটি ডাইনারিাইজেশন করার জন্য কমপক্ষে তিনটি ভাল, সাধারণ বিকল্প রয়েছে :
সংক্ষেপে বলতে গেলে - কার্নেলাইজেশন হ'ল একটি দুর্দান্ত ডাইনারিাইজেশন কৌশল, এবং আপনি যখন এটির সমস্যা রৈখিক না হন তবে আপনি এটি ব্যবহার করতে পারেন, তবে এটি "যদি তবে" মূল্যায়ন করা উচিত নয় blind এটি কমপক্ষে কয়েকটি আকর্ষণীয় পদ্ধতির মধ্যে একটি, যা সমস্যা এবং প্রয়োজনীয়তার উপর নির্ভর করে বিভিন্ন ফলাফলের দিকে নিয়ে যেতে পারে। বিশেষত, ইএনএল কার্নেলাইজড এসভিএম দ্বারা প্রদত্ত যেমনগুলির একই ধরণের সমাধান খুঁজে পেতে পারে তবে একই সময়ে সারি সারি মাত্রার দ্রুত প্রশিক্ষণ দেওয়া যায় (সুতরাং এটি কার্নেলাইজড এসভিএমগুলির তুলনায় আরও ভাল স্কেল করে )।
লিনিয়ার পদ্ধতিগুলির জন্য আপনি সাধারণভাবে কার্নেল ট্রিকের জন্য যে মূল্য প্রদান করেন তা সাধারণীকরণের আরও খারাপ। লিনিয়ার মডেলের ক্ষেত্রে এর ভিসি ডাইমেনশনটি মাত্রা সংখ্যার ক্ষেত্রেও লিনিয়ার (যেমন পার্সেপেট্রনের জন্য ভিসি মাত্রা হয় d + 1)।
এখন, যদি আপনি একটি হাই ডাইমেনশনাল স্পেসে জটিল অ-রৈখিক রূপান্তর সম্পাদন করেন তবে আপনার হাইপোথিসিস সেটটির ভিসি মাত্রা উল্লেখযোগ্যভাবে বৃহত্তর, কারণ এটি এখন নতুন, উচ্চ মাত্রিক স্থানের মাত্রার সংখ্যার ক্ষেত্রে লিনিয়ার। এবং এটি দিয়ে, জেনারালাইজেশন সীমাবদ্ধ হয়।
সমর্থন ভেক্টর মেশিনগুলি দুটি কার্য সম্পাদন করে সবচেয়ে দক্ষ উপায়ে কার্নেল ট্রিকটি ব্যবহার করে:
হার্ড-মার্জিন এসভিএম মডেলগুলির জন্য আবদ্ধ সাধারণকরণ সাপোর্ট ভেক্টর সংখ্যার সাথে সম্পর্কিত, এবং নরম-মার্জিনের জন্য ওজন ভেক্টরের আদর্শের সাথে সম্পর্কিত - সুতরাং এটি প্রথম ক্ষেত্রে অপ্রাসঙ্গিক হতে পারে এবং দ্বিতীয় ক্ষেত্রে প্রায় অপ্রাসঙ্গিক হতে পারে । কার্নেলের টার্গেট স্পেসটি যতই "বড়" হোক না কেন, আপনি সাধারণীকরণের দিক থেকে কোনও কিছু / খুব বেশি কিছু ছাড়েন না (তথ্যসূত্র: (i) সি কর্টেস এবং ভি। ভ্যাপনিক। ভেক্টর নেটওয়ার্ক সমর্থন করুন। মেশিন লার্নিং, 20: 273– 297, 1995 ; (ii) শ্যা-টেইলর, জে।; ক্রিশ্চিয়ানি, এন।, "নরম মার্জিন অ্যালগরিদমের সাধারণীকরণের উপর," তথ্য তত্ত্ব, আইইইই লেনদেনসমূহ, খণ্ড 448, নং 10, পিপি .22121,2735, অক্টোবর 2002 )।
এসভিএমগুলি পৃথকীকরণের বিমান আবিষ্কার করে যা মার্জিনকে সর্বাধিক করে তোলে এবং এটি অনুমানের সেটটিকে আরও সরল করে তোলে (আমরা প্রতিটি সম্ভাব্য বিভাজনকারী বিমানটিকেই বিবেচনা করি না, কেবলমাত্র মার্জিনকে সর্বাধিক করে তোলে)। সাধারণ হাইপোথিসিস সেটটি আরও ভাল সাধারণীকরণের সীমা বাড়ে (এটি প্রথম পয়েন্টের সাথে সম্পর্কিত, তবে এটি আরও স্বজ্ঞাত)।
আমি আপনার প্রশ্নের একটি প্রযুক্তিগত উত্তর দেওয়ার চেষ্টা করব।
প্রকৃতপক্ষে, আপনি যে কারণগুলি উল্লেখ করেছেন, প্রশিক্ষণের সময়, স্কেলাবিলিটি, চূড়ান্ত মডেলটির ব্যাখ্যা দেওয়ার ক্ষেত্রে সহজতরতা, প্রাথমিক বা দ্বৈততে কাজ করার পছন্দ, অত্যধিক মানসিকতার প্রতি আরও সহিষ্ণুতা ইত্যাদির জন্য লিনিয়ারটিকে অগ্রাধিকার দেওয়া উচিত choice
যদি লিনিয়ার মডেলটি সন্তোষজনক পারফরম্যান্সের ফল না দেয় তবে আপনি অ-রৈখিক সমাধান চেষ্টা করতে পারেন। কিছু ট্রেড-অফ বিবেচনা করার মধ্যে রয়েছে: