প্রযুক্তিগত গাইড

কোয়ান্টাইল রিগ্রেশন

কোয়ান্টাইল রিগ্রেশন উপলব্ধ ইনপুটগুলির শর্তসাপেক্ষে একটি ফলাফলের নির্বাচিত শতাংশের পূর্বাভাস দেয়।

এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min

এই পৃষ্ঠায়3 মিনিট পড়া হয়েছে
  1. ওভারভিউ
  2. গভীর ডুব
  3. বাস্তব-বিশ্ব বাস্তবায়ন
  4. কোয়ান্টাইল রিগ্রেশনের ভবিষ্যত
  5. এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
  6. অন্বেষণ চালিয়ে যান
  7. প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

ওভারভিউ

এটি কার্যকর হয় যখন একটি মধ্যমা বা উপরের-টেইল অনুমান গড়ের ভবিষ্যদ্বাণীর চেয়ে পরিকল্পনার প্রশ্নের উত্তর দেয়।

গভীর ডুব

সাধারণ ন্যূনতম-বর্গক্ষেত্র রিগ্রেশন একটি শর্তসাপেক্ষ গড়কে লক্ষ্য করে। কোয়ান্টাইল রিগ্রেশন শর্তসাপেক্ষ ফলাফল বন্টনের আরেকটি পয়েন্টকে লক্ষ্য করে, যেমন মধ্যম বা 90 তম পার্সেন্টাইল। ইনপুটগুলি একটি পার্সেলের রুট এবং প্রেরণের সময় বর্ণনা করতে পারে; আউটপুট সেই বৈশিষ্ট্যগুলির সাথে পার্সেলগুলির জন্য ডেলিভারি-টাইম পারসেন্টাইল হতে পারে। মধ্যমা হল 50 তম পার্সেন্টাইল। একটি ভাল-আনুমানিক শর্তাধীন 90 তম পার্সেন্টাইল সহ একটি অবিচ্ছিন্ন ফলাফলের জন্য, তুলনামূলক ফলাফলের মোটামুটি 90% সেই মানের বা তার নিচে হওয়া উচিত। এটি ফলাফলের বিতরণ সম্পর্কে একটি বিবৃতি। এটি একটি দাবি নয় যে ভবিষ্যদ্বাণী করা মান নিজেই 90% সম্ভাব্যতার সাথে সঠিক। কোয়ান্টাইল রিগ্রেশন পিনবল লস নামে একটি অসমমিতিক শাস্তি ব্যবহার করে। একটি উচ্চ পরিমাণে, আন্ডারপ্রেডিকশন একটি সমান বড় ওভারপ্রেডিকশনের চেয়ে বেশি খরচ করে। এটি মাঝারি সাপেক্ষে লাগানো অনুমানকে উপরের দিকে ঠেলে দেয়। তাই একটি কোয়ান্টাইল নির্বাচন করা পরিকল্পনার উদ্দেশ্যটিকে গড়ের ভিতরে লুকানোর পরিবর্তে স্পষ্ট করে তোলে। পৃথক নিম্ন এবং উপরের কোয়ান্টাইল অনুমান একটি ভবিষ্যদ্বাণী পরিসীমা গঠন করতে পারে। 10 তম এবং 90 তম পার্সেন্টাইলের অনুমান একটি নামমাত্র কেন্দ্রীয় 80% ব্যবধানের পরামর্শ দেয়। নামমাত্র শব্দটি গুরুত্বপূর্ণ: একটি লাগানো মডেল ভুল হতে পারে। ব্যবধান দ্বারা আচ্ছাদিত অনুষ্ঠিত-আউট ফলাফলের ভগ্নাংশ মূল্যায়ন করুন এবং এর প্রস্থ পরীক্ষা করুন। শুধুমাত্র সামগ্রিক গড়ের উপর নির্ভর না করে প্রাসঙ্গিক গোষ্ঠীগুলি পরিদর্শন করুন। Scikit-learn এর QuantileRegressor নিয়মিতকরণের সাথে একটি লিনিয়ার মডেল প্রদান করে। অন্যান্য মডেল পরিবারের জন্যও কোয়ান্টাইল পদ্ধতি বিদ্যমান। পৃথকভাবে লাগানো কোয়ান্টাইল থেকে ভবিষ্যদ্বাণীগুলি অতিক্রম করতে পারে, একটি নিম্নের নীচে একটি উচ্চ অনুমান তৈরি করে। স্পষ্টভাবে যে ব্যর্থতা জন্য পরীক্ষা করুন. কোয়ান্টাইল রিগ্রেশন বৈচিত্র বর্ণনা করার জন্য একটি দরকারী উপায় দেয়, কিন্তু প্রশিক্ষণের উদ্দেশ্য বা একটি আকর্ষণীয় ব্যবধান চার্ট নির্ভরযোগ্য অনিশ্চয়তা অনুমানের গ্যারান্টি দেয় না।

বাস্তব-বিশ্ব বাস্তবায়ন

একটি ডেলিভারি দল অনুরূপ বৈশিষ্ট্য সহ পার্সেলগুলির জন্য মধ্য আগমনের সময় এবং 90 তম শতাংশের পূর্বাভাস দেয়। ঊর্ধ্ব পার্সেন্টাইল প্রকৃত কভারেজ চেক করা সাপেক্ষে আরও সতর্ক পরিকল্পনা অনুমান জানাতে পারে।

একটি অনুমানমূলক পিনবল-ক্ষতি গণনা 90 তম শতাংশে, 10 ভবিষ্যদ্বাণী করে যখন ফলাফল 12 হয় তখন 1.8 ক্ষতি হয়। একই ফলাফলের জন্য 14 ভবিষ্যদ্বাণী করলে 0.2 এর ক্ষতি হয়।

একটি পরিষেবা ডেস্ক রেজোলিউশন সময়ের 10 তম এবং 90 তম শতাংশের পূর্বাভাস দেয়। এটি পরীক্ষা করে যে কত ঘন ঘন পরবর্তী ফলাফলগুলি সেই অনুমানের মধ্যে পড়ে এবং ব্যবধানটি অপ্রয়োজনীয়ভাবে প্রশস্ত কিনা।

একজন বিশ্লেষক একটি লিনিয়ার কোয়ান্টাইল মডেলের জন্য scikit-learn's QuantileRegressor ব্যবহার করেন, তারপর একই হোল্ড-আউট ডেটা এবং কোয়ান্টাইল লস ব্যবহার করে একটি উপযুক্ত ননলাইনার মডেলের সাথে তুলনা করেন।

কোয়ান্টাইল রিগ্রেশনের ভবিষ্যত

ভবিষ্যদ্বাণী ইন্টারফেসগুলি প্রতিটি অনুমানের কোন প্রশ্নটির উত্তর দেয় তা ব্যাখ্যা করে কোয়ান্টাইলগুলিকে আরও বোধগম্য করে তুলতে পারে। একটি টিম রিজার্ভিং পরিষেবার ক্ষমতা একটি উচ্চ শতাংশের বিষয়ে যত্ন নিতে পারে, যখন অন্য দলের একটি সাধারণ সময়কালের প্রয়োজন হতে পারে। প্রতিবেদনগুলি সেই পছন্দগুলিকে পর্যবেক্ষণ করা কভারেজ এবং তাড়াতাড়ি বা দেরী হওয়ার খরচের সাথে সংযুক্ত করা উচিত। অপারেটিং অবস্থার পরিবর্তনের সাথে সাথে, দলগুলিকে শতাংশের ভবিষ্যদ্বাণী এবং তাদের ব্যবধান উভয়ই পুনরায় মূল্যায়ন করতে হবে। অতিরিক্ত দশমিক স্থান প্রদর্শনের পরিবর্তে পূর্বাভাসের পাশাপাশি অনুমান, মূল্যায়নের সময় এবং প্রকৃত ফলাফল দেখানো থেকে আরও ভাল অনিশ্চয়তা যোগাযোগ আসবে।

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

Take the Quantile Regression quiz

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

কোয়ান্টাইল রিগ্রেশন কি?

কোয়ান্টাইল রিগ্রেশন উপলব্ধ ইনপুটগুলির শর্তসাপেক্ষে একটি ফলাফলের নির্বাচিত শতাংশের পূর্বাভাস দেয়। এটি কার্যকর হয় যখন একটি মধ্যমা বা উপরের-টেইল অনুমান গড়ের ভবিষ্যদ্বাণীর চেয়ে পরিকল্পনার প্রশ্নের উত্তর দেয়।

একটি ডেলিভারি মডেল শর্তসাপেক্ষ 90 তম পার্সেন্টাইল অনুমান করে। কোন ব্যাখ্যাটি ধারাবাহিক ফলাফল এবং একটি ভাল-আনুমানিক মডেলের জন্য গাইডের সাথে মেলে?

একটি শর্তসাপেক্ষ কোয়ান্টাইল প্রদত্ত ইনপুটগুলির জন্য ফলাফল বিতরণে একটি বিন্দু সনাক্ত করে; এটি একটি সম্ভাবনা নয় যে একটি একক সংখ্যাসূচক ভবিষ্যদ্বাণী সঠিক।

কোয়ান্টাইল 0.9 এ, 10 এর একটি ভবিষ্যদ্বাণী 12 এর ফলাফল দ্বারা অনুসরণ করা হয়। কোন পিনবল ক্ষতি প্রযোজ্য?

অবশিষ্টাংশ ধনাত্মক দুই, তাই ক্ষতি 0.9 গুণ দুই, বা 1.8।

কেন একটি উচ্চ কোয়ান্টাইল ফিটিং মধ্যমা ফিট করার চেয়ে একটি উচ্চ অনুমানের পক্ষে?

পিনবল ক্ষতির অসমতা উচ্চ কোয়ান্টাইল স্তরে অনুমানকে আরও ব্যয়বহুল করে তোলে।

কোন নামমাত্র কেন্দ্রীয় ব্যবধান 10 তম এবং 90 তম শর্তাধীন শতাংশ দ্বারা গঠিত হয়?

10 তম এবং 90 তম পার্সেন্টাইলের মধ্যে সম্ভাব্য ভর হল 80 শতাংশ পয়েন্ট, যদি সেই কোয়ান্টাইলগুলি সঠিকভাবে অনুমান করা হয়।

একটি মডেলের নামমাত্র 80% ব্যবধান ধারণকৃত ফলাফলের মাত্র 60% কভার করে। কোন উপসংহার অনুসরণ করে?

প্রশিক্ষণ কোয়ান্টাইল কভারেজের নিশ্চয়তা দেয় না; হোল্ড-আউট ফলাফল মূল্যায়ন করা ডেটার আন্ডারকভারেজ দেখায়।

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 →