စက်သင်ယူမှုကို မြှင့်တင်ရန်အတွက် ရိုးရှင်းသော နိဒါန်းတစ်ခု

ကြီးကြပ်ထားသော စက်သင်ယူမှု algorithms အများစုသည် linear regression ၊ logistic regression , ridge regression , ridge regression , etc.

သို့သော်လည်း၊ အိတ်ချခြင်း နှင့် ကျပန်းသစ်တောများ ကဲ့သို့သော နည်းလမ်းများသည် မူရင်းဒေတာအတွဲ၏ ထပ်ခါတလဲလဲ bootstrapped နမူနာများကို အခြေခံ၍ မတူညီသော မော်ဒယ်လ်များစွာကို တည်ဆောက်ပါသည်။ မော်ဒယ်တစ်ဦးချင်းစီမှ ပြုလုပ်သော ခန့်မှန်းချက်များကို ပျမ်းမျှအားဖြင့် ဒေတာအသစ်အတွက် ခန့်မှန်းချက်များကို ပြုလုပ်သည်။

ဤနည်းလမ်းများသည် အောက်ပါလုပ်ငန်းစဉ်ကိုအသုံးပြုသောကြောင့် ၎င်းတို့သည် ကြိုတင်ခန့်မှန်းမှုပုံစံတစ်ခုတည်းကိုသာအသုံးပြုသည့်နည်းလမ်းများထက် ခန့်မှန်းတိကျမှုကို ပိုမိုကောင်းမွန်လာစေသည်-

• ပထမဦးစွာ၊ မြင့်မားသောကွဲလွဲမှုနှင့် ဘက်လိုက်မှုနည်းပါးသော မော်ဒယ်များကို တစ်ခုချင်းတည်ဆောက်ပါ (ဥပမာ၊ နက်ရှိုင်းစွာစိုက်ပျိုးထားသော ဆုံးဖြတ်ချက်သစ်ပင်များ )။
• ထို့နောက် ကွဲပြားမှုကို လျှော့ချရန် မော်ဒယ်တစ်ခုချင်းစီမှ ပြုလုပ်သော ခန့်မှန်းချက်များကို ပျမ်းမျှ။

ကြိုတင်ခန့်မှန်းတိကျမှုတွင် ပို၍ကြီးမားသောတိုးတက်မှုကို ပေးစွမ်းနိုင်သော အခြားနည်းလမ်းကို မြှင့်တင်ခြင်း ဟုခေါ်သည်။

Boosting ဆိုတာ ဘာလဲ။

Boosting သည် မည်သည့် model အမျိုးအစားနှင့်မဆို အသုံးပြုနိုင်သော နည်းလမ်းတစ်ခုဖြစ်သော်လည်း ၎င်းကို ဆုံးဖြတ်ချက်သစ်များဖြင့် အများဆုံးအသုံးပြုပါသည်။

မြှင့်တင်ခြင်းရဲ့ နောက်ကွယ်က အယူအဆက ရိုးရှင်းပါတယ်။

1. ပထမဦးစွာအားနည်းသောမော်ဒယ်ကိုတည်ဆောက်ပါ။

• “ အားနည်း” မော်ဒယ်သည် ကျပန်းခန့်မှန်းချက်ထက် အနည်းငယ်သာလွန်သော အမှားအယွင်းနှုန်းဖြစ်သည်။
• လက်တွေ့တွင်၊ ၎င်းသည် ကွဲပြားမှုတစ်ခု သို့မဟုတ် နှစ်ခုသာရှိသော ဆုံးဖြတ်ချက်သစ်ပင်ဖြစ်သည်။

2. ထို့နောက်၊ ယခင်မော်ဒယ်မှ အကြွင်းအကျန်များကို အခြေခံ၍ အခြားအားနည်းသော မော်ဒယ်ကို တည်ဆောက်ပါ။

• လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် အလုံးစုံအမှားအယွင်းနှုန်းကို အနည်းငယ်တိုးတက်ကောင်းမွန်စေသော မော်ဒယ်အသစ်နှင့် ကိုက်ညီရန် ယခင်မော်ဒယ်မှ ကျန်ရှိသော (ဆိုလိုသည်မှာ ကျွန်ုပ်တို့၏ ခန့်မှန်းချက်များတွင် အမှားများ) ကို အသုံးပြုပါသည်။

3. k-fold cross-validation ရပ်တန့်ရန် ကျွန်ုပ်တို့အား ညွှန်ကြားသည်အထိ ဤလုပ်ငန်းစဉ်ကို ဆက်လုပ်ပါ။

• လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် မြှင့်တင်ထားသော မော်ဒယ်ကို တီထွင်ထုတ်လုပ်ခြင်းကို ရပ်တန့်သင့်သည့်အချိန်တွင် ခွဲခြားသတ်မှတ်ရန် k-fold cross-validation ကို အသုံးပြုပါသည်။

ဤနည်းလမ်းကို အသုံးပြုခြင်းဖြင့် ကျွန်ုပ်တို့သည် အားနည်းသော မော်ဒယ်ဖြင့် စတင်နိုင်ပြီး ယခင်သစ်ပင်၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးသည့် သစ်ပင်အသစ်များကို စဉ်ဆက်မပြတ် တည်ဆောက်ခြင်းဖြင့် ၎င်း၏ စွမ်းဆောင်ရည်ကို ဆက်လက် “မြှင့်တင်နိုင်သည်” ဟု ခန့်မှန်းနိုင်ပါသည်။

မြှင့်တင်ခြင်းသည် အဘယ်ကြောင့် အလုပ်ဖြစ်သနည်း။

မြှင့်တင်ခြင်းသည် စက်သင်ယူမှုအားလုံးတွင် အစွမ်းထက်ဆုံးမော်ဒယ်အချို့ကို ထုတ်လုပ်ပေးနိုင်ကြောင်း တွေ့ရှိရသည်။

စက်မှုလုပ်ငန်းအများအပြားတွင်၊ မြှင့်တင်ထားသောမော်ဒယ်များကို ထုတ်လုပ်မှုတွင် ကိုးကားသည့်မော်ဒယ်များအဖြစ် အသုံးပြုကြပြီး ၎င်းတို့သည် အခြားမော်ဒယ်များအားလုံးထက် သာလွန်ကောင်းမွန်လေ့ရှိသောကြောင့်ဖြစ်သည်။

မြှင့်တင်ထားသော တင်းပလိတ်များသည် အလွန်ကောင်းမွန်စွာ အလုပ်လုပ်ရခြင်း၏ အကြောင်းရင်းမှာ ရိုးရှင်းသော အယူအဆကို နားလည်သဘောပေါက်ခြင်းမှ ဆင်းသက်လာခြင်းဖြစ်သည်။

1. ပထမဦးစွာ တိုးတက်လာသော မော်ဒယ်များသည် ကြိုတင်ခန့်မှန်းမှု တိကျမှုနည်းသော အားနည်းသော ဆုံးဖြတ်ချက်သစ်ပင်ကို ဖန်တီးသည်။ ဤဆုံးဖြတ်ချက်သစ်ပင်တွင် ကွဲလွဲမှုနည်းပြီး ဘက်လိုက်မှုမြင့်မားသည်ဟု ဆိုသည်။

2. မြှင့်တင်ထားသော မော်ဒယ်များသည် ယခင် ဆုံးဖြတ်ချက်သစ်များ ၏ ဆင့်ကဲ တိုးတက်မှု လုပ်ငန်းစဉ်များကို လိုက်နာသည်နှင့်အမျှ၊ အလုံးစုံ မော်ဒယ်သည် ကွဲလွဲမှုကို သိသာထင်ရှားစွာ တိုးမြှင့်ခြင်းမရှိဘဲ အဆင့်တိုင်းတွင် ဘက်လိုက်မှုကို ဖြည်းဖြည်းချင်း လျှော့ချနိုင်မည်ဖြစ်သည်။

3. နောက်ဆုံး တပ်ဆင်ထားသော မော်ဒယ်သည် ဘက်လိုက်မှု နှင့် ကွဲလွဲမှု လုံလုံလောက်လောက် နည်းပါးလေ့ ရှိပြီး ဒေတာအသစ်တွင် စမ်းသပ်မှု အမှားအယွင်းနှုန်း နည်းပါးသော မော်ဒယ်ကို ထုတ်လုပ်နိုင်သည့် မော်ဒယ်တစ်ခု ဖြစ်လာသည်။

မြှင့်တင်ခြင်း၏ အားသာချက်များနှင့် အားနည်းချက်များ

မြှင့်တင်ခြင်း၏ သိသာထင်ရှားသော အားသာချက်မှာ အခြားမော်ဒယ်များအားလုံးနီးပါးနှင့် နှိုင်းယှဉ်ပါက မြင့်မားသော ကြိုတင်ခန့်မှန်းတိကျမှုဖြင့် မော်ဒယ်များကို ထုတ်လုပ်နိုင်ခြင်းကြောင့်ဖြစ်သည်။

ဖြစ်နိုင်ချေ အားနည်းချက်မှာ တပ်ဆင်ထားသော မြှင့်တင်ထားသော မော်ဒယ်သည် အဓိပ္ပာယ်ဖွင့်ဆိုရန် အလွန်ခက်ခဲပါသည်။ ဒေတာအသစ်၏ တုံ့ပြန်မှုတန်ဖိုးများကို ခန့်မှန်းရန် ကြီးမားသောစွမ်းရည်ကို ပေးစွမ်းနိုင်သော်လည်း ၎င်းကိုရရှိရန် ၎င်းအသုံးပြုသည့် လုပ်ငန်းစဉ်အတိအကျကို ရှင်းပြရန်ခက်ခဲသည်။

လက်တွေ့တွင်၊ ဒေတာသိပ္ပံပညာရှင်များနှင့် စက်သင်ယူမှုအလေ့အကျင့်အများစုသည် ဒေတာအသစ်များ၏ တုံ့ပြန်မှုတန်ဖိုးများကို တိကျစွာခန့်မှန်းနိုင်လိုသောကြောင့် ပိုမိုကောင်းမွန်သောမော်ဒယ်များကို ဖန်တီးကြသည်။ ထို့ကြောင့် တိုးတက်လာသော မော်ဒယ်များသည် အဓိပ္ပာယ်ဖွင့်ဆိုရန် ခက်ခဲသည်ဆိုသောအချက်မှာ ယေဘုယျအားဖြင့် ပြဿနာမဟုတ်ပါ။

လက်တွေ့တွင် မြှင့်တင်ပါ။

လက်တွေ့တွင်၊ မြှင့်တင်ရန်အတွက် အသုံးပြုသည့် algorithms အမျိုးအစားများစွာ ရှိပြီး၊

• XGBoost
• AdaBoost
• ChatBoost
• LightGBM

သင့်ဒေတာအတွဲ၏ အရွယ်အစားနှင့် သင့်စက်၏ လုပ်ဆောင်နိုင်စွမ်းပေါ်မူတည်၍ ဤနည်းလမ်းများထဲမှ တစ်ခုသည် အခြားနည်းလမ်းကို ပိုကောင်းနိုင်ပါသည်။