आगेअगली गाइड
समय श्रृंखला पूर्वानुमान के लिए अंतराल सुविधाएँ
तकनीकी
तकनीकी गाइड
फ़ीचर चयन एक मॉडल के लिए इनपुट चर का एक सबसेट चुनता है, जो सीखने को सरल बना सकता है और परिणामों का निरीक्षण करना आसान बना सकता है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
फ़िल्टर, रैपर और एम्बेडेड विधियाँ अलग-अलग तरीकों से उस विकल्प को बनाती हैं, जिसमें अलग-अलग लागत और ओवरफिटिंग का जोखिम होता है।
फ़ीचर चयन कुछ इनपुट चर रखता है और अन्य को बाहर कर देता है। यह फीचर निष्कर्षण से भिन्न है, जो इनपुट को प्रमुख घटकों जैसे नए अभ्यावेदन में बदल देता है। चयन माप या अनुमान लागत को कम कर सकता है, एक मॉडल को सरल बना सकता है, और कभी-कभी अप्रासंगिक या अनावश्यक चर सीखने वाले को विचलित करने पर सामान्यीकरण में सुधार कर सकता है। यह बेहतर सटीकता की गारंटी नहीं देता है: एक खारिज किए गए चर में उपयोगी संकेत हो सकते हैं, खासकर इंटरैक्शन के माध्यम से। फ़िल्टर विधियाँ अंतिम अनुमानक से स्वतंत्र मानदंडों का उपयोग करके चर स्कोर करती हैं। उदाहरणों में विचरण सीमाएँ और अविभाज्य परीक्षण या एक सुविधा और लक्ष्य के बीच पारस्परिक जानकारी शामिल है। वे अक्सर सस्ते होते हैं, लेकिन एक अविभाज्य स्कोर एक ऐसी सुविधा को खो सकता है जो केवल दूसरे के साथ संयोजन में ही मायने रखती है। एक सहसंबंध फ़िल्टर दो अनावश्यक इनपुटों में से एक को यह जाने बिना भी हटा सकता है कि अंतिम मॉडल के लिए कौन सा अधिक उपयोगी है। रैपर विधियां एक अनुमानक फिट करके उम्मीदवार उपसमुच्चय का मूल्यांकन करती हैं। पुनरावर्ती सुविधा उन्मूलन बार-बार एक मॉडल में फिट बैठता है, सुविधाओं को रैंक करता है, और रीफिटिंग से पहले कुछ को हटा देता है। यह एक साधारण फिल्टर की तुलना में अनुमानकर्ता के व्यवहार को अधिक सीधे प्रतिबिंबित कर सकता है, लेकिन बार-बार फिटिंग में समय लगता है और यदि प्रदर्शन को रिपोर्ट करने के लिए उपयोग किए गए समान डेटा पर चयन किया जाता है तो यह ओवरफिट हो सकता है। एंबेडेड विधियाँ मॉडल फिटिंग के दौरान चयन करती हैं। एल1-नियमित रैखिक मॉडल गुणांक को बिल्कुल शून्य पर सेट कर सकते हैं; वृक्ष-आधारित विधियाँ विभाजन-आधारित महत्व उपाय प्रदान करती हैं जो चयन का मार्गदर्शन कर सकती हैं। इन उपायों में धारणाएँ और पूर्वाग्रह हैं, इसलिए इन्हें सार्वभौमिक सत्य नहीं माना जाना चाहिए। सहसंबद्ध विशेषताएं महत्व को विभाजित कर सकती हैं या एक दूसरे के स्थान पर प्रतिस्थापित कर सकती हैं। संपूर्ण चयन प्रक्रिया मूल्यांकन के लिए प्रशिक्षण प्रक्रिया के अंतर्गत आती है। यदि क्रॉस-वैलिडेशन से पहले सभी लेबलों का उपयोग करके फीचर स्कोर की गणना की जाती है, तो सत्यापन फोल्ड की जानकारी पहले से ही चयनित सबसेट को प्रभावित कर चुकी है। यह रिसाव मापा प्रदर्शन को आशावादी बना सकता है। उचित विभाजन का उपयोग करके चयन सहित पूरी पाइपलाइन की तुलना करें। स्कोर के साथ-साथ डोमेन की बाधाएं, भविष्यवाणी के समय उपलब्धता, निष्पक्षता और माप लागत को भी ध्यान में रखें।
एक टेक्स्ट क्लासिफायर बाइनरी टर्म-उपस्थिति कॉलम को हटा देता है जो प्रशिक्षण दस्तावेजों में स्थिर होते हैं। यह लेबल-मुक्त विचरण फ़िल्टर उन इनपुट को हटा देता है जो उन प्रशिक्षण उदाहरणों को अलग नहीं करते हैं।
एक डेटा वैज्ञानिक चुने हुए अनुमानक को बार-बार फिट करते हुए सबसेट की तुलना करने के लिए क्रॉस-वैलिडेशन के साथ पुनरावर्ती सुविधा उन्मूलन का उपयोग करता है।
L1 पेनल्टी के साथ प्रशिक्षित एक विरल लॉजिस्टिक मॉडल कुछ गुणांकों को शून्य पर ले जाता है, जिससे फिटिंग के हिस्से के रूप में एक एम्बेडेड चयन उत्पन्न होता है।
एक मेडिकल डेटासेट प्रत्येक प्रशिक्षण तह के अंदर सुविधा चयन रखता है ताकि रखे गए उदाहरण प्रभावित न कर सकें कि कौन से चर चुने गए हैं।
जैसे-जैसे डेटासेट व्यापक होते जा रहे हैं और पूर्वानुमान प्रणालियाँ सख्त विलंबता या डेटा-गवर्नेंस बाधाओं के तहत चल रही हैं, चयन तेजी से पूर्वानुमानित प्रदर्शन के साथ-साथ परिचालन लक्ष्यों को पूरा कर सकता है। टीमें किसी क्षेत्र को इकट्ठा करने की लागत, अनुमान के समय इसके अनुपलब्ध होने का जोखिम और इसके उपयोग को समझाने में होने वाली कठिनाई का आकलन कर सकती हैं। स्वचालित पाइपलाइनें चयन स्थिरता और गुना-स्थानीय मूल्यांकन की रिपोर्ट कर सकती हैं, लेकिन वे निदान अभी भी प्रतिनिधि डेटा और समझदार उद्देश्यों पर निर्भर करते हैं। फ़ीचर चयन एक मॉडलिंग विकल्प बना रहेगा जिसके लिए डोमेन समीक्षा की आवश्यकता होती है, खासकर जब चर संयुक्त रूप से कार्य करते हैं या संवेदनशील जानकारी रखते हैं।
मुफ़्त न्यूज़लेटर
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
फ़ीचर चयन एक मॉडल के लिए इनपुट चर का एक सबसेट चुनता है, जो सीखने को सरल बना सकता है और परिणामों का निरीक्षण करना आसान बना सकता है। फ़िल्टर, रैपर और एम्बेडेड विधियाँ अलग-अलग तरीकों से उस विकल्प को बनाती हैं, जिसमें अलग-अलग लागत और ओवरफिटिंग का जोखिम होता है।
चयन मूल चर चुनता है; पीसीए फीचर परिवर्तन के रूप में नई दिशाएँ बनाता है।
एक सुविधा में थोड़ा सीमांत जुड़ाव हो सकता है फिर भी वह दूसरे चर के साथ संयोजन में योगदान दे सकता है।
आरएफई सुविधाओं को रैंक करने और हटाने के लिए बार-बार आकलनकर्ता फिट का उपयोग करता है।
मॉडल का उपयुक्त उद्देश्य ही विरलता उत्पन्न करता है, इसलिए चयन अंतर्निहित है।
सत्यापन फोल्ड से लेबल का उपयोग करके चयन से मॉडल विकास में जानकारी लीक हो जाती है।
सीखते रहो
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं
आगेअगली गाइड
समय श्रृंखला पूर्वानुमान के लिए अंतराल सुविधाएँ
तकनीकी