প্রযুক্তিগত গাইড

লগ এবং বক্স-কক্স রূপান্তর

লগ (Log), বক্স-কক্স (Box-Cox) এবং ইয়েও-জনসন (Yeo-Johnson) রূপান্তরগুলো সংখ্যাসূচক বিন্যাসকে নতুন আকার দেয়, যা মডেলিংয়ের আগে প্রায়শই ডানদিকের স্কিউ (skew) কমিয়ে আনে এবং ভিন্নতাকে স্থিতিশীল করে।

এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min

এই পৃষ্ঠায়3 মিনিট পড়া হয়েছে
  1. ওভারভিউ
  2. গভীর ডুব
  3. বাস্তব-বিশ্ব বাস্তবায়ন
  4. লগ এবং বক্স-কক্স রূপান্তরের ভবিষ্যৎ
  5. এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
  6. অন্বেষণ চালিয়ে যান
  7. প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

ওভারভিউ

এগুলো মানের স্কেল এবং ব্যাখ্যা পরিবর্তন করে, তাই রূপান্তরের পছন্দ, ফিট করা প্যারামিটার এবং ইনভার্স পূর্বাভাসগুলো সতর্কতার সাথে পরিচালনা করতে হবে।

গভীর ডুব

A transformation changes the numerical scale of a variable to make patterns easier for a model to represent. A logarithm grows slowly for large positive values, so it can reduce right skew and turn multiplicative relationships into additive ones. The change also means differences on the transformed scale no longer correspond to equal absolute differences on the original scale. The ordinary logarithm requires positive inputs. A log1p transform uses log(1 plus x) and accommodates zero but still requires x greater than negative one. Adding an arbitrary constant to permit negatives changes the interpretation and should be justified. Box-Cox considers a family of power transformations and estimates a parameter, but its standard form requires strictly positive values. Yeo-Johnson is another power-transform family that can handle zero and negative values. These methods can help with skewed features or targets, but they are not universal preprocessing requirements. Tree-based models may be less sensitive to monotonic rescaling than models based on linear relationships or distance, though distribution changes can still affect some workflows. A transform does not remove outliers, establish normality, fix biased sampling, or guarantee better predictions. Compare model behavior and errors on held-out data. For target transformations, fit the transformation parameters on training data and transform training targets accordingly. At prediction time, apply the inverse transformation to return to the original units. Because nonlinear inverses do not preserve averages, simply exponentiating an average predicted log value can produce a biased estimate of the original-scale conditional mean. The appropriate correction depends on the modeling assumptions and evaluation objective. Use a pipeline to avoid fitting transformation parameters using validation or test examples. Record the transform and fitted parameter so inference uses the same mapping. Report metrics in a scale that matches the practical task, and inspect residuals and subgroup effects rather than judging only the transformed distribution.

বাস্তব-বিশ্ব বাস্তবায়ন

ইতিবাচক আয়ের মানগুলোর একটি মডেল ডানদিকের স্কিউ কমাতে লগ রূপান্তর ব্যবহার করে, তারপর ইনভার্স রূপান্তরের মাধ্যমে মূল স্কেলে পূর্বাভাস প্রদান করে।

একটি পাইপলাইন কঠোরভাবে ইতিবাচক পরিমাপের ক্ষেত্রে বক্স-কক্স প্রয়োগ করে এবং শুধুমাত্র ট্রেনিং ডেটা ব্যবহার করে এর প্যারামিটার নির্ধারণ করে।

একটি ডেটাসেটে শূন্য এবং ঋণাত্মক মান থাকায়, বিশ্লেষক সাধারণ লগারিদম প্রয়োগ করার পরিবর্তে ইয়েও-জনসন বা অন্য কোনো যুক্তিযুক্ত পদ্ধতি বিবেচনা করেন।

একটি দল রূপান্তরের আগে এবং পরে রেসিডুয়াল আচরণ এবং হেল্ড-আউট পারফরম্যান্স তুলনা করে, এই ধারণার পরিবর্তে যে আরও গাউসিয়ান-দেখানো ফিচার মানেই একটি ভালো মডেল।

লগ এবং বক্স-কক্স রূপান্তরের ভবিষ্যৎ

মডেলের অনুমানগুলোর সাথে মিল রাখা এবং গুণিতক কাঠামো উপস্থাপনের জন্য স্বচ্ছ টুল হিসেবে রূপান্তরগুলো কার্যকর থাকবে। অটোমেটেড পাইপলাইনগুলো নিরাপদে প্যারামিটার ফিট করতে পারে এবং ইনভার্স ম্যাপিং সংরক্ষণ করতে পারে, যদিও আধুনিক মডেলগুলো কিছু ক্ষেত্রে ম্যানুয়াল ডিস্ট্রিবিউশন শেপিংয়ের প্রয়োজনীয়তা কমিয়ে দিতে পারে। কোনো ট্রেন্ডই ব্যবহারকারীরা যে স্কেলে ফলাফল দেখতে চান, সেই স্কেলে তুলনা করার প্রয়োজনীয়তাকে দূর করে না। ডিপ্লয়মেন্ট পাইপলাইনগুলো বিকশিত হওয়ার সাথে সাথে, দলগুলোর উচিত রূপান্তর মেটাডেটা ধরে রাখা এবং ফিট করা ম্যাপিং ভালোভাবে উপস্থাপন করতে পারেনি এমন মানগুলোর জন্য ইনপুট রেঞ্জ পর্যবেক্ষণ করা। মডেল আর্টিফ্যাক্টের সাথে ফিট করা প্যারামিটারগুলো রেকর্ড করুন।

এটাকে বাস্তবে প্রয়োগ করা হচ্ছে

কেন এটা গুরুত্বপূর্ণ

  • খরচ ও বাজেট. আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
  • সুস্পষ্ট সিদ্ধান্ত. কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
  • মান নিয়ন্ত্রণ. ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।

জন্য সতর্ক

  • একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
  • অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
  • সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।

পরবর্তী পদক্ষেপ

  1. বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
  2. বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
  3. ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
  4. স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।

অন্বেষণ চালিয়ে যান

ফ্রি নিউজলেটার

প্রতিদিনের এআই ব্রিফিং পান

প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।

প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।

নিজেকে পরীক্ষা করুন

লগ এবং বক্স-কক্স রূপান্তর কুইজে অংশ নিন

প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।

কুইজ শুরু করুন

ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

লগ এবং বক্স-কক্স রূপান্তর কী?

লগ (Log), বক্স-কক্স (Box-Cox) এবং ইয়েও-জনসন (Yeo-Johnson) রূপান্তরগুলো সংখ্যাসূচক বিন্যাসকে নতুন আকার দেয়, যা মডেলিংয়ের আগে প্রায়শই ডানদিকের স্কিউ (skew) কমিয়ে আনে এবং ভিন্নতাকে স্থিতিশীল করে। এগুলো মানের স্কেল এবং ব্যাখ্যা পরিবর্তন করে, তাই রূপান্তরের পছন্দ, ফিট করা প্যারামিটার এবং ইনভার্স পূর্বাভাসগুলো সতর্কতার সাথে পরিচালনা করতে হবে।

একটি লগারিদম একটি দৃঢ়ভাবে ডান-তির্যক ধনাত্মক চলকের উপর কী প্রভাব ফেলতে পারে?

লগারিদম বৃহত্তর ইনপুটগুলির জন্য আরও ধীরে ধীরে বৃদ্ধি পায় এবং ডান তির্যক হ্রাস করতে পারে।

কোন রূপান্তর পরিবার একটি নির্বিচারে স্থানান্তর ছাড়া শূন্য এবং ঋণাত্মক মান মিটমাট করতে পারে?

ইয়ো-জনসন পৃথক শাখা সহ ইতিবাচক এবং নেতিবাচক ইনপুট সমর্থন করে।

কেন একটি শেখা রূপান্তর শুধুমাত্র প্রতিটি প্রশিক্ষণের ভাঁজে লাগানো উচিত?

প্রি-প্রসেসিং প্যারামিটার অনুমান করার জন্য রাখা-আউট ডেটা ব্যবহার করে মূল্যায়নে তথ্য ফাঁস হয়।

লগ-রূপান্তরিত লক্ষ্যগুলিতে প্রশিক্ষিত একটি মডেলের ভবিষ্যদ্বাণীগুলির কী হওয়া উচিত?

বিপরীত রূপান্তর লক্ষ্যের মূল ইউনিটে পূর্বাভাস প্রদান করে।

কেন একটি গড় লগ ভবিষ্যদ্বাণী ব্যাখ্যা করা মূল-স্কেল শর্তাধীন গড় সমান করতে ব্যর্থ হতে পারে?

অরৈখিক ফাংশনগুলির জন্য, একটি প্রত্যাশার বিপরীতটি সাধারণত মূল স্কেলের প্রত্যাশা থেকে পৃথক হয়।

শিখতে থাকুন

সম্পর্কিত গাইড

এই বিষয়ের জন্য বাছাই করা আরও গাইড

একটি বিনামূল্যে AI শংসাপত্র পানএকটি সংক্ষিপ্ত বিনামূল্যে কোর্স এবং পরীক্ষা. কোনো খরচ নেই, কোনো কার্ড নেই। প্রায় 2.5 ঘন্টা।বিনামূল্যে শুরু করুন →