সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
ফিচার ক্রস পেশ করা হচ্ছে
একটি বৈশিষ্ট্য ক্রস সত্যিই অরৈখিক ডেটা মাপসই একটি মডেল সক্ষম করতে পারেন? খুঁজে বের করতে, এই অনুশীলন চেষ্টা করুন.
কাজ: নিচের তিনটি ইনপুট বৈশিষ্ট্যের ওজন ম্যানুয়ালি পরিবর্তন করে কমলা বিন্দু থেকে নীল বিন্দুকে আলাদা করে এমন একটি মডেল তৈরি করার চেষ্টা করুন:
x 1
x 2
x 1x 2 (একটি বৈশিষ্ট্য ক্রস)
ম্যানুয়ালি একটি ওজন পরিবর্তন করতে:
একটি লাইনে ক্লিক করুন যা FEATURES কে OUTPUT এর সাথে সংযুক্ত করে। একটি ইনপুট ফর্ম প্রদর্শিত হবে.
সেই ইনপুট ফর্মে একটি ফ্লোটিং-পয়েন্ট মান টাইপ করুন।
টিপুন.
মনে রাখবেন যে এই অনুশীলনের ইন্টারফেসে একটি স্টেপ বোতাম নেই। কারণ এই অনুশীলনটি পুনরাবৃত্তিমূলকভাবে একটি মডেলকে প্রশিক্ষণ দেয় না। বরং, আপনি ম্যানুয়ালি মডেলের জন্য "চূড়ান্ত" ওজন লিখবেন।
(উত্তরগুলি অনুশীলনের ঠিক নীচে প্রদর্শিত হবে।)
উত্তরের জন্য প্লাস আইকনে ক্লিক করুন।
w 1 = 0
w 2 = 0
x 1x 2 = 1 (বা যেকোনো ধনাত্মক মান)
আপনি যদি বৈশিষ্ট্য ক্রসের জন্য একটি নেতিবাচক মান প্রবেশ করেন, মডেলটি কমলা বিন্দু থেকে নীল বিন্দুগুলিকে আলাদা করবে কিন্তু ভবিষ্যদ্বাণী সম্পূর্ণ ভুল হবে। অর্থাৎ, মডেলটি নীল বিন্দুর জন্য কমলা এবং কমলা বিন্দুর জন্য নীল ভবিষ্যদ্বাণী করবে।
আরো জটিল বৈশিষ্ট্য ক্রস
এখন কিছু উন্নত ফিচার ক্রস কম্বিনেশন নিয়ে খেলা যাক। এই খেলার মাঠের অনুশীলনে সেট করা ডেটা দেখতে অনেকটা ডার্টের খেলা থেকে একটি গোলমাল বুলসিয়ের মতো দেখায়, মাঝখানে নীল বিন্দু এবং একটি বাইরের বলয়ে কমলা বিন্দু রয়েছে।
মডেল ভিজ্যুয়ালাইজেশনের ব্যাখ্যার জন্য প্লাস আইকনে ক্লিক করুন।
প্রতিটি খেলার মাঠের অনুশীলন মডেলের বর্তমান অবস্থার একটি ভিজ্যুয়ালাইজেশন প্রদর্শন করে। উদাহরণস্বরূপ, এখানে একটি ভিজ্যুয়ালাইজেশন:
মডেল ভিজ্যুয়ালাইজেশন সম্পর্কে নিম্নলিখিত নোট করুন:
প্রতিটি অক্ষ একটি নির্দিষ্ট বৈশিষ্ট্য উপস্থাপন করে। স্প্যাম বনাম স্প্যামের ক্ষেত্রে, বৈশিষ্ট্যগুলি শব্দ গণনা এবং ইমেল প্রাপকদের সংখ্যা হতে পারে৷
প্রতিটি ডট ডেটার একটি উদাহরণের জন্য বৈশিষ্ট্য মানগুলি প্লট করে, যেমন একটি ইমেল৷
বিন্দুর রঙ সেই শ্রেণীর প্রতিনিধিত্ব করে যেটি উদাহরণটি অন্তর্গত। উদাহরণস্বরূপ, নীল বিন্দুগুলি অ-স্প্যাম ইমেলগুলিকে উপস্থাপন করতে পারে যখন কমলা বিন্দুগুলি স্প্যাম ইমেলগুলিকে উপস্থাপন করতে পারে৷
পটভূমির রঙটি মডেলের ভবিষ্যদ্বাণীকে উপস্থাপন করে যেখানে সেই রঙের উদাহরণগুলি পাওয়া উচিত। একটি নীল বিন্দুর চারপাশে একটি নীল পটভূমির অর্থ হল মডেলটি সেই উদাহরণটি সঠিকভাবে ভবিষ্যদ্বাণী করছে৷ বিপরীতভাবে, একটি নীল বিন্দুর চারপাশে একটি কমলা পটভূমির অর্থ হল মডেলটি সেই উদাহরণটি ভুলভাবে ভবিষ্যদ্বাণী করছে।
ব্যাকগ্রাউন্ড ব্লুজ এবং কমলা মাপা হয়। উদাহরণস্বরূপ, ভিজ্যুয়ালাইজেশনের বাম দিকটি ঘন নীল কিন্তু ধীরে ধীরে ভিজ্যুয়ালাইজেশনের কেন্দ্রে সাদা হয়ে যায়। আপনি মডেলের অনুমানে আস্থার পরামর্শ হিসাবে রঙের শক্তির কথা ভাবতে পারেন। তাই কঠিন নীল মানে মডেলটি তার অনুমান সম্পর্কে খুব আত্মবিশ্বাসী এবং হালকা নীল মানে মডেলটি কম আত্মবিশ্বাসী। (চিত্রে দেখানো মডেল ভিজ্যুয়ালাইজেশন ভবিষ্যদ্বাণীর একটি খারাপ কাজ করছে।)
আপনার মডেলের অগ্রগতি বিচার করতে ভিজ্যুয়ালাইজেশন ব্যবহার করুন। ("চমৎকার—অধিকাংশ নীল বিন্দুর একটি নীল পটভূমি আছে" বা "ওহ না! নীল বিন্দুগুলির একটি কমলা পটভূমি আছে।") রঙের বাইরে, খেলার মাঠ মডেলের বর্তমান ক্ষতিকে সংখ্যাগতভাবে প্রদর্শন করে। ("ওহ না! লস নিচের পরিবর্তে উপরে যাচ্ছে।")
টাস্ক 1: দেওয়া হিসাবে এই লিনিয়ার মডেল চালান। আপনি কোন উন্নতি খুঁজে পেতে পারেন কিনা তা দেখতে এক বা দুই মিনিট ব্যয় করুন (কিন্তু আর নয়) বিভিন্ন শেখার হার সেটিংস চেষ্টা করে। একটি লিনিয়ার মডেল কি এই ডেটা সেটের জন্য কার্যকর ফলাফল তৈরি করতে পারে?
টাস্ক 2: এখন ক্রস-প্রোডাক্ট বৈশিষ্ট্য যোগ করার চেষ্টা করুন, যেমন x 1 x 2 , কর্মক্ষমতা অপ্টিমাইজ করার চেষ্টা করে।
কোন বৈশিষ্ট্য সবচেয়ে সাহায্য করে?
আপনি পেতে পারেন যে সেরা কর্মক্ষমতা কি?
টাস্ক 3: আপনার কাছে একটি ভাল মডেল থাকলে, মডেলের আউটপুট পৃষ্ঠটি পরীক্ষা করুন (পটভূমির রঙ দ্বারা দেখানো হয়েছে)।
এটি একটি রৈখিক মডেল মত দেখায়?
আপনি কিভাবে মডেল বর্ণনা করবেন?
(উত্তরগুলি অনুশীলনের ঠিক নীচে প্রদর্শিত হবে।)
টাস্ক 1 এর উত্তরের জন্য প্লাস আইকনে ক্লিক করুন।
না। একটি রৈখিক মডেল কার্যকরভাবে এই ডেটা সেট মডেল করতে পারে না। শেখার হার হ্রাস করলে ক্ষতি হ্রাস পায়, কিন্তু ক্ষতি এখনও একটি অগ্রহণযোগ্য উচ্চ মূল্যে রূপান্তরিত হয়।
টাস্ক 2-এর উত্তরের জন্য প্লাস আইকনে ক্লিক করুন।
খেলার মাঠের ডেটা সেটগুলি এলোমেলোভাবে তৈরি হয়। ফলস্বরূপ, আমাদের উত্তর সবসময় আপনার সাথে একমত নাও হতে পারে। প্রকৃতপক্ষে, আপনি যদি রানের মধ্যে সেট করা ডেটা পুনরায় তৈরি করেন, আপনার নিজের ফলাফল সবসময় আপনার আগের রানের সাথে ঠিক একমত হবে না। এটি বলেছিল, আপনি নিম্নলিখিতগুলি করে আরও ভাল ফলাফল পাবেন:
বৈশিষ্ট্য ক্রস হিসাবে x 12 এবং x 22 উভয়ই ব্যবহার করা হচ্ছে। (একটি বৈশিষ্ট্য ক্রস হিসাবে x 1 x 2 যোগ করা সাহায্য করবে বলে মনে হচ্ছে না।)
শেখার হার কমিয়ে, সম্ভবত 0.001 এ।
টাস্ক 3 এর উত্তরের জন্য প্লাস আইকনে ক্লিক করুন।
মডেল আউটপুট পৃষ্ঠ একটি রৈখিক মডেল মত দেখায় না. বরং উপবৃত্তাকার দেখায়।