مشین لرننگ میں تعصب - تغیر کیا ہے؟

میں ، ایک ماڈل کی کارکردگی اس کی پیش گوئیاں پر مبنی ہوتی ہے اور یہ نظر نہ آنے والے ، آزاد ڈیٹا کی طرف کتنی اچھی طرح سے عام ہوتی ہے۔ ماڈل کی درستگی کی پیمائش کرنے کا ایک طریقہ یہ ہے کہ ماڈل میں تعصبات اور تغیرات کا حساب کتاب رکھا جائے۔ اس مضمون میں ، ہم سیکھیں گے کہ کس طرح ماڈل کی صداقت کے تعین میں تعصب - تغیر اہم کردار ادا کرتا ہے۔ اس مضمون میں مندرجہ ذیل موضوعات پر تبادلہ خیال کیا گیا ہے۔

• ناقابل تلافی خرابی
• مشین لرننگ میں تعصب کیا ہے؟
• ایک مشین لرننگ ماڈل میں تغیر؟
• یہ مشین لرننگ ماڈل پر کس طرح اثر انداز ہوتا ہے؟
• تعصب - متغیر تجارت
• کل غلطی

ناقابل تلافی خرابی

میں کوئی ماڈل ایک نئے آزاد ، دیکھے ہوئے ڈیٹا سیٹ پر پیش گوئی کی غلطی کی بنیاد پر جانچ کی جاتی ہے۔ غلطی کچھ نہیں لیکن اصل پیداوار اور پیش گوئی شدہ آؤٹ پٹ کے درمیان فرق ہے۔ غلطی کا حساب لگانے کے ل we ، ہم کم اور ناقابل تلافی غلطی کا خلاصہ کرتے ہیں a.k.a تعصب - تغیر پزیر۔

ناقابل واپسی غلطی ان غلطیوں کے سوا کچھ نہیں ہے جس سے قطع نظر کم نہیں کیا جاسکتا جو آپ ماڈل میں استعمال کرتے ہیں۔ یہ غیر معمولی متغیر کی وجہ سے ہوتا ہے جس کا براہ راست اثر آؤٹ پٹ متغیر پر پڑتا ہے۔ لہذا آپ کے ماڈل کو موثر بنانے کے ل we ، ہمارے پاس کم والی غلطی باقی ہے جو ہمیں ہر قیمت پر بہتر بنانے کی ضرورت ہے۔

ایک کم ہونے والی غلطی کے دو اجزاء ہیں۔ تعصب اور تغیر ، تعصب اور تغیر کی موجودگی ماڈل کی درستگی کو متعدد طریقوں سے متاثر کرتی ہے اوفٹفٹنگ ، انڈفٹنگ ، وغیرہآئیے ، اس میں کمی اور غلطی سے نمٹنے کے طریقوں کو سمجھنے کے لئے تعصب اور تغیرات پر ایک نظر ڈالیں .

مشین لرننگ میں تعصب کیا ہے؟

تعصب بنیادی طور پر یہ ہے کہ ہم نے اصل قیمت سے کتنی دور کی پیش گوئی کی ہے۔ ہم کہتے ہیں کہ اگر اوسط پیش گوئیاں اصل قدروں سے دور ہوں تو تعصب بہت زیادہ ہے۔

اعلی تعصب کی وجہ سے الگورتھم ان پٹ اور آؤٹ پٹ متغیر کے مابین غالب پیٹرن یا رشتہ کو کھونے کا سبب بنے گا۔ جب تعصب بہت زیادہ ہوتا ہے تو ، یہ سمجھا جاتا ہے کہ ماڈل بالکل آسان ہے اور تعلقات کو طے کرنے کے لئے طے شدہ ڈیٹا کی پیچیدگی کو نہیں جانتا ہے اور اس طرح ،انڈرفٹنگ کا باعث

ایک مشین لرننگ ماڈل میں تغیر؟

ایک آزاد ، غیر مرئی ڈیٹا سیٹ یا توثیق سیٹ پر۔ جب کوئی ماڈل بہتر کارکردگی کا مظاہرہ نہیں کرتا ہے جیسے یہ تربیت یافتہ ڈیٹا سیٹ کے ساتھ کرتا ہے تو ، اس بات کا امکان موجود رہتا ہے کہ ماڈل میں فرق ہو۔ یہ بنیادی طور پر بتاتا ہے کہ پیش گوئی کی گئی اقدار اصل اقدار سے کتنی بکھری ہوئی ہیں۔

ڈیٹا سیٹ میں زیادہ فرق کا مطلب یہ ہے کہ ماڈل نے بہت شور اور غیر متعلق ڈیٹا کے ساتھ تربیت حاصل کی ہے۔ اس طرح ماڈل میں اوورفٹنگ کا باعث بنتا ہے۔ جب کسی ماڈل میں زیادہ تغیر ہوتا ہے تو ، یہ بہت لچکدار ہوجاتا ہے اور نئے ڈیٹا پوائنٹس کے لئے غلط پیش گوئیاں کرتا ہے۔ کیونکہ اس نے خود کو ٹریننگ سیٹ کے ڈیٹا پوائنٹس سے ہم آہنگ کیا ہے۔

آئیے ہم ریاضی کے لحاظ سے بھی تعصب کے فرق کو سمجھنے کی کوشش کرتے ہیں۔ ہم وہ متغیر بتائیں جس کی ہم Y اور دوسرے آزاد متغیر کے X ہونے کی پیش گوئی کر رہے ہیں۔ اب ہم فرض کریں کہ دونوں متغیر کے مابین کوئی رشتہ ہے جیسے:

Y = f (X) + e

مندرجہ بالا مساوات میں ، یہاں ہے ایک متوقع قیمت 0 کے ساتھ تخمینہ والی غلطی ہے۔ جب ہم جیسے الگورتھم کو استعمال کرکے درجہ بندی کرتے ہیں لکیری رجعت ، ، وغیرہ ، نقطہ X میں متوقع مربع غلطی ہوگی:

err (x) = बायاس²+ تغیر + ناقابل تلافی غلطی

آئیے یہ بھی سمجھیں کہ تعصب کا فرق کس طرح متاثر ہوگا مشین لرننگ ماڈل کی کارکردگی۔

یہ مشین لرننگ ماڈل پر کس طرح اثر انداز ہوتا ہے؟

ہم تعصب - تغیر کے درمیان تعلق کو چار درجات میں درج کر سکتے ہیں۔

جاوا اسکرپٹ میں کسی صف کی لمبائی کیسے حاصل کی جائے

1. اعلی فرق - اعلی تعصب - ماڈل متضاد ہے اور اوسطا average بھی غلط نہیں ہے
2. کم تغیر بخش اعلی تعصب - ماڈل مستقل ہیں لیکن اوسطا کم
3. اعلی تغیرات سے پاک تعصب - قدرے درست لیکن اوسط سے متضاد
4. کم تغیرات سے متعلق کم تعصب - یہ مثالی منظر نامہ ہے ، ماڈل اوسطا consistent مستقل اور درست ہے۔

اگرچہ کسی ماڈل میں تعصب اور تغیر کا پتہ لگانا بالکل واضح ہے۔ ایک اعلی نمونہ رکھنے والے ماڈل میں کم تربیت کی غلطی اور اعلی توثیق کی غلطی ہوگی۔ اور اعلی تعصب کی صورت میں ، ماڈل میں اعلی تربیت کی غلطی ہوگی اور اس میں توثیق کی غلطی بھی تربیت کی غلطی جیسی ہی ہے۔

اگرچہ پتہ لگانا آسان معلوم ہوتا ہے ، لیکن اصل کام اسے کم سے کم کرنا ہے۔ اس صورت میں ، ہم مندرجہ ذیل کام کر سکتے ہیں۔

• مزید ان پٹ خصوصیات شامل کریں
• متعدد خصوصیات متعارف کرانے سے زیادہ پیچیدگی
• ریگولرائزیشن کی مدت کم کریں
• تربیت کا مزید ڈیٹا حاصل کرنا

اب جب ہم جانتے ہیں کہ تعصب اور تغیر کیا ہے اور اس سے ہمارے ماڈل پر کیا اثر پڑتا ہے ، تو آئیے تعصب - تغیر بخش تجارت پر ایک نظر ڈالیں۔

تعصب - متغیر تجارت

ماڈل کے تعصب اور تغیر کے مابین صحیح توازن تلاش کرنے کو تعصب - تغیرات کا تجارت کہتے ہیں۔ یہ بنیادی طور پر اس بات کا یقین کرنے کا ایک طریقہ ہے کہ ماڈل کسی بھی معاملے میں نہ تو زیادہ مناسب ہے اور نہ ہی انکی فٹنگ ہے۔

اگر ماڈل بہت آسان ہے اور اس کے بہت کم پیرامیٹر ہیں تو ، یہ اعلی تعصب اور کم تغیرات کا شکار ہوگا۔ دوسری طرف ، اگر ماڈل میں پیرامیٹرز کی ایک بڑی تعداد ہے ، تو اس میں اعلی تغیر اور کم تعصب پڑے گا۔ اس تجارت کے نتیجے میں دونوں کے مابین ایک متوازن توازن قائم ہونا چاہئے۔ مثالی طور پر ، کسی بھی مشین لرننگ ماڈل کے لئے کم تعصب اور کم تغیرات کا ہدف ہے۔

کل غلطی

کسی بھی مشین لرننگ ماڈل میں ، تعصب اور تغیر کے مابین ایک اچھا توازن پیش گوئی کی درستگی کے معاملے میں اور ایک حد سے زیادہ مناسب کارکردگی سے پرہیز کرنے سے پرہیز کرتے ہیں۔ تعصب اور تغیر کے مابین ایک بہتر توازن ، الگورتھم کی پیچیدگی کے معاملے میں ، اس بات کو یقینی بنائے گا کہ ماڈل کو کبھی بھی زیادہ مناسب یا کم نہیں رکھا جائے۔

ایک شماریاتی ماڈل میں وسط اسکوائر غلطی کو مربع تعصب اور تغیر اور غلطی کے مختلف ہونے کا مجموعہ سمجھا جاتا ہے۔ یہ سب کچھ ایک کل غلطی کے اندر رکھا جاسکتا ہے جہاں ہمارے پاس کسی ماڈل میں تعصب ، تغیر اور ناقابل تلافی غلطی ہوتی ہے۔

آئیے ہم سمجھیں کہ ہم عملی نفاذ کی مدد سے کس طرح کل غلطی کو کم کرسکتے ہیں۔

ہم نے پیدا کیا ہے a لکیری رجعت درجہ بندی میں مشین لرننگ میں لکیری رجعت کے ڈیٹاسیٹ ماڈیول میں مرتب ذیابیطس کے ڈیٹا کا استعمال کرتے ہوئے ایڈورکا پر مضمون سائنٹ سیکھنا کتب خانہ.

جب ہم نے درجہ بندی کرنے والوں کی اوسط مربع غلطی کا جائزہ لیا تو ، ہمیں 2500 کے آس پاس کل غلطی ہوئی۔

کل غلطی کو کم کرنے کے ل we ، ہم نے درجہ بندی کرنے والے کو مزید ڈیٹا کھلایا اور اس کے بدلے میں مائنس اسکوائرڈ خرابی کو گھٹا کر 2000 کردیا گیا۔

یہ ماڈل کو تربیت کے مزید اعداد و شمار کھلا کر کل غلطی کو کم کرنے کا ایک آسان عمل ہے۔ اسی طرح ہم غلطی کو کم کرنے اور موثر مشین لرننگ ماڈل کے تعصب اور تغیر کے مابین توازن برقرار رکھنے کے لئے دیگر تکنیکوں کا استعمال کرسکتے ہیں۔

یہ ہمارے اس مضمون کے اختتام تک پہنچا ہے جہاں ہم نے مچھ میں تعصب - تغیرات سیکھا ہےits اس کے نفاذ اور استعمال کے معاملے سے سیکھنا۔ میں امید کرتا ہوں کہ اس سبق کے ساتھ جو کچھ آپ کے ساتھ شیئر کیا گیا ہے اس سے آپ صاف ہیں۔

c ++ صف بندی کرنا

اگر آپ کو یہ مضمون 'مشین لرننگ میں تعصب' پر ملا ہے تو ، چیک کریں ایک قابل اعتماد آن لائن سیکھنے کی کمپنی جس کا نیٹ ورک 250،000 سے زیادہ مطمئن سیکھنے والوں کے نیٹ ورک کے ساتھ پوری دنیا میں پھیل گیا ہے۔

ہم یہاں آپ کے سفر کے ہر قدم میں آپ کی مدد کرنے اور نصاب کے ساتھ آنے کے لئے حاضر ہیں جو طلباء اور پیشہ ور افراد کے لئے ڈیزائن کیا گیا ہے جو چاہتے ہیں کہ . کورس آپ کو ازگر کے پروگرامنگ میں آغاز فراہم کرنے اور مختلف اور بنیادی ایڈوانس تصورات کے لئے آپ کو تربیت دینے کے لئے ڈیزائن کیا گیا ہے پسند ہے ، ، وغیرہ

اگر آپ کو کوئی سوالات آتے ہیں تو ، 'مشین لرننگ میں تعصب' میں تبصرے کے سیکشن میں بلا جھجھک اپنے سوالات پوچھیں اور ہماری ٹیم جواب دینے میں خوش ہوگی۔