মেশিন লার্নিং একটি ক্ষতির ফাংশনের "মিনিমাইজেশন সমস্যা" হিসাবে সূচিত হয় উদাহরণের একটি সেট (প্রশিক্ষণের সেট) এর বিপরীতে। এই বৈশিষ্ট্যটি মডেল দ্বারা প্রশিক্ষিত হওয়ার দ্বারা পূর্বাভাসিত মান এবং প্রতিটি উদাহরণের জন্য প্রত্যাশিত মানগুলির মধ্যে পার্থক্যকে প্রকাশ করে।
চূড়ান্ত লক্ষ্যটি হ'ল প্রশিক্ষণ সেটে উপস্থিত না থাকা দৃষ্টান্তগুলির সেটগুলিতে মডেলটিকে সঠিকভাবে পূর্বাভাস দেওয়ার ক্ষমতাটি শেখানো।
একটি পদ্ধতি যা অনুসারে অ্যালগরিদমের বিভিন্ন বিভাগকে আলাদা করা সম্ভব তা হল একটি নির্দিষ্ট সিস্টেম থেকে প্রত্যাশিত আউটপুটের প্রকার মেশিন লার্নিং.
আমরা পাই যে প্রধান বিভাগগুলির মধ্যে:
শ্রেণিবিন্যাসের উদাহরণ হ'ল এতে থাকা বস্তু বা বিষয়গুলির উপর ভিত্তি করে একটি চিত্রের জন্য এক বা একাধিক লেবেলকে নিয়োগ দেওয়া;
রঙিন চিত্রের আকারে কোনও দৃশ্যের গভীরতা নির্ধারণের জন্য রিগ্রেশনের উদাহরণ।
প্রকৃতপক্ষে, প্রশ্নে আউটপুটটির ডোমেনটি কার্যত অসীম, এবং সম্ভাবনার কয়েকটি নির্দিষ্ট সংখ্যায় সীমাবদ্ধ নয়;
লিনিয়ার রিগ্রেশন amআসল মানগুলির যেমন অনুমান করতে ব্যবহৃত হয় বহুল ব্যবহৃত মডেল:
এবং অবিচ্ছিন্ন পরিবর্তনশীলগুলির মাপদণ্ড অনুসরণ করে:
লিনিয়ার রিগ্রেশন-এ, স্বাধীন ভেরিয়েবল এবং নির্ভরশীল ভেরিয়েবলের মধ্যে একটি সম্পর্ক একটি রেখার মধ্য দিয়ে অনুসরণ করা হয় যা সাধারণত দুটি ভেরিয়েবলের মধ্যে সম্পর্কের প্রতিনিধিত্ব করে।
ফিট লাইনটি রিগ্রেশন লাইন হিসাবে পরিচিত এবং Y = a * X + b টাইপের লিনিয়ার সমীকরণ দ্বারা প্রতিনিধিত্ব করা হয়।
সূত্রটি দুটি বা আরও বেশি বৈশিষ্ট্য একে অপরের সাথে সংযুক্ত করতে ডেটা ইন্টারপোলটিংয়ের ভিত্তিতে তৈরি। আপনি যখন অ্যালগরিদমকে একটি ইনপুট বৈশিষ্ট্য দেন, তখন রিগ্রেশনটি অন্যান্য বৈশিষ্ট্যটি ফিরিয়ে দেয়।
যখন আমাদের একাধিক স্বাধীন ভেরিয়েবল থাকে, তখন আমরা নীচের মতো একটি মডেল ধরে ধরে একাধিক রৈখিক প্রতিরোধের কথা বলি:
y = খ0 + খ1x1 + খ2x2 +… + বিnxn
অনুশীলনে, সমীকরণটি ধারাবাহিকভাবে নির্ভরশীল ভেরিয়েবল (y) এবং দুই বা ততোধিক স্বতন্ত্র ভেরিয়েবলের (x1, x2, x3…) মধ্যকার সম্পর্ককে ব্যাখ্যা করে।
উদাহরণস্বরূপ, আমরা যদি ইঞ্জিনের শক্তি, সিলিন্ডারের সংখ্যা এবং জ্বালানি খরচ বিবেচনা করে কোনও গাড়ীর সিও 2 নির্গমনের (নির্ভরশীল ভেরিয়েবল ওয়াই) অনুমান করতে চাইতাম। এই পরবর্তী কারণগুলি হ'ল স্বাধীন ভেরিয়েবল এক্স 1, এক্স 2 এবং এক্স 3। ধ্রুবকগুলি হ'ল আসল সংখ্যা এবং একে বলা হয় মডেলের আনুমানিক রিগ্রেশন সহগ Y ওয়াই অবিচ্ছিন্ন নির্ভরশীল পরিবর্তনশীল, অর্থাত্ বি 0, বি 1 এক্স 1, বি 2 এক্স 2 ইত্যাদির যোগফল being y একটি আসল সংখ্যা হবে।
একাধিক রিগ্রেশন বিশ্লেষণ এমন একটি পদ্ধতি যা স্বতন্ত্র ভেরিয়েবলের উপর নির্ভরশীল ভেরিয়েবলের প্রভাব চিহ্নিত করতে ব্যবহৃত হয়।
স্বতন্ত্র ভেরিয়েবল পরিবর্তন হিসাবে নির্ভরশীল পরিবর্তনশীল কীভাবে পরিবর্তন হয় তা বোঝা আমাদের বাস্তব পরিস্থিতিতে পরিবর্তনের প্রভাব বা প্রভাবগুলির পূর্বাভাস দিতে দেয়।
একাধিক লিনিয়ার রিগ্রেশন ব্যবহার করে বোঝা যায় যে বয়স, লিঙ্গ ইত্যাদির মতো বিষয় বিবেচনা করে শরীরের ভর সূচক পরিবর্তিত হওয়ায় রক্তচাপ কীভাবে পরিবর্তিত হয়, ফলে কী ঘটতে পারে তা ধরে নিয়ে।
একাধিক রিগ্রেশন সহ আমরা দামের প্রবণতা যেমন তেল বা সোনার ভবিষ্যতের প্রবণতার উপর অনুমান পেতে পারি।
পরিশেষে, একাধিক লিনিয়ার রিগ্রেশন মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে আরও বেশি আগ্রহের সন্ধান করছে কারণ এটি বিশ্লেষণযোগ্য সংখ্যক রেকর্ডের ক্ষেত্রে এমনকি পারফর্মিং লার্নিং মডেলগুলি অর্জন করতে সক্ষম করে।
লজিস্টিক রিগ্রেশন একটি পরিসংখ্যানমূলক সরঞ্জাম যা এক বা একাধিক ব্যাখ্যামূলক ভেরিয়েবলের সাহায্যে দ্বিপদী ফলাফলের মডেল করা যায় to
এটি সাধারণত বাইনারি সমস্যার জন্য ব্যবহৃত হয়, যেখানে কেবল দুটি শ্রেণি রয়েছে, যেমন হ্যাঁ বা না, 0 বা 1, পুরুষ বা মহিলা ইত্যাদি ...
এইভাবে ডেটা বর্ণনা করা এবং বাইনারি নির্ভরশীল ভেরিয়েবল এবং এক বা একাধিক স্বতন্ত্র নামমাত্র বা অর্ডিনাল ভেরিয়েবলের মধ্যে সম্পর্ক ব্যাখ্যা করা সম্ভব।
ফলাফল একটি লজিস্টিক ফাংশন ব্যবহারের জন্য ধন্যবাদ নির্ধারিত হয়, যা একটি সম্ভাব্যতা অনুমান করে এবং তারপর defiপ্রাপ্ত সম্ভাব্যতা মানের নিকটতম শ্রেণী (ধনাত্মক বা ঋণাত্মক) শেষ করে।
আমরা পরিবারের পরিবারকে শ্রেণিবদ্ধ করার একটি পদ্ধতি হিসাবে লজিস্টিক রিগ্রেশনকে বিবেচনা করতে পারি তত্ত্বাবধানে শেখার অ্যালগরিদম.
পরিসংখ্যানগত পদ্ধতি ব্যবহার করে, লজিস্টিক রিগ্রেশন এমন একটি ফলাফল তৈরি করতে দেয় যা বাস্তবে কোনও সম্ভাব্যতার প্রতিনিধিত্ব করে যে প্রদত্ত ইনপুট মান একটি প্রদত্ত শ্রেণীর অন্তর্গত।
দ্বিপদী লজিস্টিক রিগ্রেশন সমস্যাগুলিতে, আউটপুটটি এক শ্রেণীর অন্তর্গত হওয়ার সম্ভাবনা পি হবে, অন্য শ্রেণীর 1-পি এর সাথে সম্পর্কিত যেখানে (যেখানে পি 0 এবং 1 এর মধ্যে একটি সংখ্যা কারণ এটি সম্ভাব্যতা প্রকাশ করে)।
দ্বি দ্বিবিজ্ঞানের লজিস্টিক রিগ্রেশন সেই সব ক্ষেত্রেই ভালভাবে কাজ করে যেখানে আমরা যে পরিবর্তনশীলটি ভবিষ্যদ্বাণী করতে চেষ্টা করি তা বাইনারি হয়, এটি কেবল দুটি মান নিতে পারে: মান 1 যা ইতিবাচক শ্রেণির প্রতিনিধিত্ব করে, বা মান 0 যা নেতিবাচক শ্রেণির প্রতিনিধিত্ব করে।
লজিস্টিক রিগ্রেশন দ্বারা সমাধান করা যেতে পারে এমন সমস্যাগুলির উদাহরণগুলি:
লজিস্টিক রিগ্রেশন সহ আমরা ভবিষ্যদ্বাণীপূর্ণ বিশ্লেষণ করতে পারি, যা আমরা ভবিষ্যদ্বাণী করতে চাই (নির্ভরশীল ভেরিয়েবল) এবং এক বা একাধিক স্বতন্ত্র ভেরিয়েবল, অর্থাৎ বৈশিষ্ট্যগুলির মধ্যে সম্পর্ক পরিমাপ করে। সম্ভাবনা অনুমান একটি লজিস্টিক ফাংশন মাধ্যমে সম্পন্ন করা হয়।
সম্ভাব্যতাগুলি পরবর্তীতে বাইনারি মানগুলিতে রূপান্তরিত হয় এবং পূর্বাভাসকে সত্য করে তোলার জন্য, এই ফলাফলটি শ্রেণীর সাথে অর্পিত হয় যা এটি শ্রেণীর সাথেই নিকটবর্তী হয় বা না তার উপর ভিত্তি করে belongs
উদাহরণস্বরূপ, যদি লজিস্টিক ফাংশনটির প্রয়োগটি 0,85 দেয়, তবে এর অর্থ হ'ল ইনপুটটি 1 শ্রেনীর উপর অর্পণ করে একটি ধনাত্মক শ্রেণি তৈরি করেছে Vice বিপরীতে যদি এটি 0,4 বা আরও সাধারণ হিসাবে কোনও মান অর্জন করে থাকে <0,5 ..
লজিস্টিক রিগ্রেশন ইনপুট মানগুলির শ্রেণিবিন্যাস মূল্যায়ন করতে লজিস্টিক ফাংশন ব্যবহার করে।
লজিস্টিক ফাংশন, যাকে সিগময়েডও বলা হয়, এমন একটি বাঁক যা চূড়ান্ততা বাদ দিয়ে যে কোনও আসল মান নিয়ে যায় এবং এটিকে মান 0 ও 1 এর মধ্যে ম্যাপিং করতে সক্ষম। ফাংশনটি হ'ল:
এটা কোথায়:
লজিস্টিক রিগ্রেশন উপস্থাপনা হিসাবে অনেকটা লিনিয়ার রিগ্রেশনের মতো সমীকরণ ব্যবহার করে
ইনপুট মানগুলি (এক্স) একটি আউটপুট মান (y) পূর্বাভাস করতে ওজন বা সহগের মান ব্যবহার করে রৈখিকভাবে মিলিত হয়। লিনিয়ার রিগ্রেশন থেকে মূল পার্থক্য হ'ল মডেলিং আউটপুট মান একটি সংখ্যাসূচক মানের পরিবর্তে বাইনারি মান (0 বা 1) is
নীচে একটি লজিস্টিক রিগ্রেশন সমীকরণের একটি উদাহরণ দেওয়া হল:
y = e ^ (বি0 + বি 1 * এক্স) / (1 + ই ^ (বি 0 + বি 1 * এক্স))
যেখানে:
ইনপুট ডেটাতে প্রতিটি কলামের একটি সম্পর্কিত বি সহগ থাকে (একটি ধ্রুবক আসল মান) যা প্রশিক্ষণ ডেটা থেকে শিখতে হবে।
আপনি মেমরি বা কোনও ফাইল সঞ্চয় করবেন এমন মডেলটির প্রকৃত প্রতিনিধিত্ব হ'ল সমীকরণ (বিটা বা খ মান) এর সহগ।
লজিস্টিক রিগ্রেশন মডেলগুলি ডিফল্ট শ্রেণীর সম্ভাব্যতার মডেল।
উদাহরণস্বরূপ, ধরে নেওয়া যাক আমরা তাদের যৌনতা থেকে পুরুষদের লিঙ্গকে পুরুষ বা মহিলা হিসাবে মডেলিং করছি, প্রথম শ্রেণিটি পুরুষ হতে পারে এবং লজিস্টিক রিগ্রেশন মডেলটি কোনও ব্যক্তির উচ্চতা বা তার বেশি দেওয়া পুরুষ হওয়ার সম্ভাবনা হিসাবে লেখা যেতে পারে। আনুষ্ঠানিকভাবে:
পি (লিঙ্গ = পুরুষ | উচ্চতা)
অন্যভাবে লেখা, আমরা সম্ভাব্যতার মডেলিং করছি যে একটি ইনপুট (X) ক্লাস প্রাক-এর অন্তর্গতdefinite (Y = 1), আমরা এটি লিখতে পারি:
পি (এক্স) = পি (ওয়াই = 1 | এক্স)
সম্ভাব্যতার পূর্বাভাস অবশ্যই সম্ভাব্যতার পূর্বাভাস দেওয়ার জন্য বাইনারি মানগুলিতে (0 বা 1) রূপান্তর করতে হবে।
লজিস্টিক রিগ্রেশন একটি লিনিয়ার পদ্ধতি, তবে ভবিষ্যদ্বাণীগুলি লজিস্টিক ফাংশনটি ব্যবহার করে রূপান্তরিত হয়। এর প্রভাবটি হ'ল আমরা লিনিয়ার রিগ্রেশনটির সাথে ইনপুটগুলির রৈখিক সংমিশ্রণ হিসাবে ভবিষ্যদ্বাণীগুলি আর বুঝতে পারি না, উদাহরণস্বরূপ, উপরে থেকে চালিয়ে, মডেলটি প্রকাশ করা যেতে পারে:
পি (এক্স) = ই ^ (বি0 + বি 1 * এক্স) / (1 + ই ^ (বি0 + বি 1 * এক্স))
এখন আমরা নীচের মত সমীকরণ বিপরীত করতে পারেন। এটির বিপরীতে, আমরা অন্য দিকে একটি প্রাকৃতিক লোগারিদম যুক্ত করে একদিকে ই মুছে ফেলে এগিয়ে যেতে পারি।
ln (পি (এক্স) / 1 - পি (এক্স)) = বি0 + বি 1 * এক্স
এইভাবে আমরা সত্যটি পেয়েছি যে ডানদিকে আউটপুটের গণনা আবার লিনিয়ার (ঠিক লিনিয়ার রিগ্রেশনের মতো), এবং বাম দিকের ইনপুটটি ডিফল্ট শ্রেণীর সম্ভাবনার লগারিদম।
সম্ভাব্যতাগুলি কোনও ঘটনার সম্ভাবনার দ্বারা বিভক্ত ইভেন্টটির সম্ভাবনার অনুপাত হিসাবে গণনা করা হয়, উদাঃ 0,8 / (1-0,8) যার ফলাফল ৪. সুতরাং আমরা পরিবর্তে এটি লিখতে পারি:
ln (প্রতিক্রিয়া) = বি0 + বি 1 * এক্স
সম্ভাব্যতাগুলি লগ-রূপান্তরিত হওয়ায় আমরা এটিকে বাম দিকের লগ-প্রতিক্রিয়া বা প্রবিট বলি।
আমরা ঘেরটিকে ডানদিকে ফিরিয়ে দিতে এবং এটি লিখতে পারি:
সম্ভাব্যতা = ই ^ (বি0 + বি 1 * এক্স)
এই সব আমাদের বুঝতে সাহায্য করে যে প্রকৃতপক্ষে মডেলটি এখনও ইনপুটগুলির একটি রৈখিক সংমিশ্রণ, কিন্তু এই রৈখিক সংমিশ্রণটি প্রি ক্লাসের লগ সম্ভাব্যতাগুলিকে বোঝায়defiনিতা
লজিস্টিক রিগ্রেশন অ্যালগরিদমের সহগ (বিটা বা খ মান) শিখার পর্যায়ে অনুমান করা হয়। এটি করার জন্য, আমরা সর্বাধিক সম্ভাবনা অনুমান ব্যবহার করি।
সর্বাধিক সম্ভাবনা অনুমান হল একটি লার্নিং অ্যালগরিদম যা বিভিন্ন মেশিন লার্নিং অ্যালগরিদম দ্বারা ব্যবহৃত হয়। মডেল থেকে প্রাপ্ত সহগগুলি প্রাক-স্কুল ক্লাসের জন্য 1 (যেমন পুরুষ) এর খুব কাছাকাছি একটি মানের পূর্বাভাস দেয়defiনাইটি এবং অন্য শ্রেণীর জন্য 0 এর খুব কাছাকাছি একটি মান (যেমন মহিলা)। লজিস্টিক রিগ্রেশনের জন্য সর্বাধিক সম্ভাবনা হল সহগ (বিটা বা ob মান) এর জন্য মানগুলি খুঁজে বের করার একটি পদ্ধতি যা ডেটাতে থাকা মডেলগুলির সাথে সম্পর্কিত সম্ভাব্যতাগুলির ত্রুটিকে কম করে (যেমন সম্ভাব্যতা 1 যদি ডেটা প্রাথমিক শ্রেণি হয়) .
প্রশিক্ষণের ডেটার জন্য সেরা গুণফলের মানগুলি অনুকূল করতে আমরা একটি মিনিমাইজেশন অ্যালগরিদম ব্যবহার করব। এটি প্রায়শই একটি দক্ষ সংখ্যাগত অপ্টিমাইজেশন অ্যালগরিদম ব্যবহার করে অনুশীলনে প্রয়োগ করা হয়।
অ্যাপল ভিশন প্রো কমার্শিয়াল ভিউয়ার ব্যবহার করে ক্যাটানিয়া পলিক্লিনিকে একটি চক্ষুরোগ অপারেশন করা হয়েছিল...
রঙের মাধ্যমে সূক্ষ্ম মোটর দক্ষতার বিকাশ শিশুদের লেখার মতো জটিল দক্ষতার জন্য প্রস্তুত করে। রঙ…
নৌ সেক্টর একটি সত্যিকারের বৈশ্বিক অর্থনৈতিক শক্তি, যা 150 বিলিয়ন বাজারের দিকে নেভিগেট করেছে...
গত সোমবার, ফাইন্যান্সিয়াল টাইমস ওপেনএআই-এর সাথে একটি চুক্তি ঘোষণা করেছে। FT তার বিশ্বমানের সাংবাদিকতার লাইসেন্স দেয়...
