যদি পরিসংখ্যানগুলি সম্ভাবনা সর্বাধিক করার বিষয়ে হয় তবে মেশিন লার্নিং হ্রাস হ্রাস করার বিষয়ে। যেহেতু আপনি ভবিষ্যতের ডেটাতে যে ক্ষতি করবেন তা আপনি জানেন না, তাই আপনি একটি আনুমানিক পরিমাণ হ্রাস করেন, অর্থাত্ত অভিজ্ঞতাগত ক্ষতি।
উদাহরণস্বরূপ, যদি আপনার পূর্বাভাস টাস্ক থাকে এবং ভুল শৃঙ্খলাগুলির সংখ্যা দ্বারা মূল্যায়ন করা হয় তবে আপনি পরামিতিগুলি প্রশিক্ষণ দিতে পারতেন যাতে ফলস্বরূপ মডেল প্রশিক্ষণের ডেটাতে সংক্ষিপ্ত সংখ্যক ভুল সংস্থান তৈরি করে। "ভুল সংখ্যার সংখ্যা" (যেমন, 0-1 ক্ষতি) এটির সাথে কাজ করা একটি শক্ত ক্ষতি ফাংশন কারণ এটি পৃথক নয়, তাই আপনি এটি একটি মসৃণ "সারোগেট" দিয়ে আনুমানিক। উদাহরণস্বরূপ, লগ লস 0-1 লোকসানের উপরের বাউন্ড হয়, সুতরাং আপনি এটির পরিবর্তে এটি হ্রাস করতে পারেন এবং এটি ডেটার সর্বাধিক শর্তযুক্ত সম্ভাবনা সর্বাধিকরূপে পরিণত হবে। প্যারামেট্রিক মডেলের সাথে এই পদ্ধতিটি লজিস্টিক রিগ্রেশনের সমতুল্য হয়ে ওঠে।
কাঠামোগত মডেলিংয়ের কার্য এবং লগ-ক্ষতি প্রায় ১-১ ক্ষতি হিসাবে, আপনি সর্বাধিক শর্তাধীন সম্ভাবনা থেকে আলাদা কিছু পান, আপনি পরিবর্তে (শর্তাধীন) প্রান্তিক সম্ভাবনার পণ্যকে সর্বাধিক করে তুলবেন।
লোকসানের আরও ভাল অনুমানের জন্য, লোকেরা লক্ষ্য করেছে যে লোকসান হ্রাস করতে প্রশিক্ষণ মডেল এবং ভবিষ্যতে লোকসানের অনুমান হিসাবে এই ক্ষতিটি ব্যবহার করা অত্যধিক আশাবাদী অনুমান। সুতরাং আরও সঠিক (সত্য ভবিষ্যতের ক্ষতি) হ্রাসের জন্য তারা অনুভূতিগত ক্ষতিতে পক্ষপাত সংশোধন শব্দ যুক্ত করে এবং এটি হ্রাস করে, এটি কাঠামোগত ঝুঁকি হ্রাসকরণ হিসাবে পরিচিত।
অনুশীলনে, সঠিক পক্ষপাত সংশোধন শব্দটি সন্ধান করা খুব কঠিন হতে পারে, সুতরাং আপনি পক্ষপাত সংশোধন শর্তের "আত্মার মধ্যে" একটি অভিব্যক্তি যুক্ত করুন, উদাহরণস্বরূপ, পরামিতিগুলির বর্গের যোগফল। শেষ পর্যন্ত, প্রায় সমস্ত প্যারামেট্রিক মেশিন লার্নিং তদারকি করা শ্রেণিবিন্যাসের নীচে নীচে হ্রাস করার জন্য মডেলটিকে প্রশিক্ষণ দেওয়া হয়
∑iL(m(xi,w),yi)+P(w)
যেখানে আপনার মডেল ভেক্টর দ্বারা parametrized হয় W , আমি সব datapoints অধিগৃহীত হয় { এক্স আমি , Y আমি } , এলmwi{xi,yi}L আপনার প্রকৃত কমে যাওয়া এবং কিছু গণনা চমৎকার পড়তা হয় কিছু পক্ষপাত সংশোধন / নিয়মিতকরণ মেয়াদP(w)
উদাহরণ হিসেবে বলা যায় আপনার যদি , Y ∈ { - 1 , 1 } , একটি সাধারন পদ্ধতির দিন হবে মি ( এক্স ) = চিহ্ন ( W ⋅ এক্স ) , এল ( মি ( এক্স ) , Y ) = - লগ ( y × ( x ⋅ ডাব্লু ) ) , পি (x∈{−1,1}dy∈{−1,1}m(x)=sign(w⋅x)L(m(x),y)=−log(y×(x⋅w))P(w)=q×(w⋅w) , এবং ক্রস বৈধতা দ্বারা চয়ন করুনq