क्या पार कर रहे हैं?

इससे पहले कि आप वीडियो देखें या दस्तावेज़ पढ़ें, कृपया पूरा वीडियो देखें जिसमें फ़ीचर क्रॉस के ज़रूरत से ज़्यादा इस्तेमाल पर चर्चा की गई है.

टास्क 1: दिए गए सभी क्रॉस-प्रॉडक्ट के साथ मॉडल को ऐसे ही चलाएं सुविधाएँ. क्या इस मॉडल ने डेटा को सही तरीके से फ़िट करने के तरीके में कोई हैरानी की है? क्या समस्या आ रही है?

टास्क 2: बेहतर बनाने के लिए, क्रॉस-प्रॉडक्ट की अलग-अलग सुविधाओं को हटाकर देखें परफ़ॉर्मेंस (हालांकि, थोड़ा बहुत) सुविधाओं को क्यों हटाया जाना चाहिए परफ़ॉर्मेंस बेहतर कैसे बनाएं?

(जवाब व्यायाम के ठीक नीचे दिखाई देते हैं.)

---

---

टास्क 1 के जवाब के लिए प्लस आइकॉन पर क्लिक करें.

हैरानी की बात है कि इस मॉडल की डिसिज़न सीमा अजीब लग रही है. खास तौर पर, ऊपर बाईं ओर एक क्षेत्र है जो नीले रंग की ओर इशारा करता है, भले ही डेटा में उसके लिए कोई समर्थन उपलब्ध नहीं है.

इनपुट से OUTPUT तक चल रही पांच लाइनों की मोटाई को ध्यान से देखें. ये रेखाएं पांच सुविधाओं का सापेक्ष भार दिखाती हैं. X₁ और X₂ से निकलने वाली लाइनें, इससे ज़्यादा चौड़ी होती हैं जो इस सुविधा के क्रॉस-पोस्ट से आते हैं. इसलिए, सुविधा के क्रॉस चिह्न सामान्य (अनक्रॉस) सुविधाओं की तुलना में बहुत कम योगदान देते हैं.

टास्क 2 को जवाब देने के लिए प्लस आइकॉन पर क्लिक करें.

सभी सुविधा क्रॉस को हटाने से एक बेहतर मॉडल मिलता है (ऐसे में अब ओवरफ़िटिंग की घुमावदार सीमा नहीं दिखती) और टेस्ट लॉस को एक साथ मिला देता है.

1,000 बार दोहराने के बाद, टेस्ट लॉस की वैल्यू थोड़ी कम होनी चाहिए क्रॉस-साइड सुविधा चालू रहने के समय की तुलना में (हालांकि आपके परिणाम डेटा सेट के आधार पर थोड़ा अलग हो सकता है).

इस एक्सरसाइज़ में जो डेटा दिया गया है वह मूल रूप से लीनियर डेटा और नॉइज़ है. अगर हम किसी ऐसे मॉडल का इस्तेमाल करते हैं जो बहुत जटिल है, जैसे कि ऐसा मॉडल जिसका इस्तेमाल कई हम इसे ट्रेनिंग डेटा के हिसाब से अडजस्ट करने का मौका देते हैं. अक्सर इससे मॉडल, टेस्ट डेटा पर बुरा परफ़ॉर्म करता है.