आगेअगली गाइड
मल्टीक्लास वर्गीकरण के लिए सॉफ्टमैक्स रिग्रेशन
तकनीकी
तकनीकी गाइड
क्रमवाचक प्रतिगमन समान संख्यात्मक अंतरालों को माने बिना उनके क्रम का उपयोग करते हुए निम्न, मध्यम और उच्च जैसी क्रमबद्ध श्रेणियों की भविष्यवाणी करता है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
यह अनुमान लगाता है कि कैसे भविष्यवक्ता एक अव्यक्त प्रवृत्ति को श्रेणी की सीमाओं के पार स्थानांतरित करते हैं, जिससे यह रेटिंग को असंबंधित वर्गों या सटीक दूरी वाली संख्याओं के रूप में मानने का एक उपयोगी विकल्प बन जाता है।
कई परिणाम सार्थक क्रम वाली श्रेणियां हैं, लेकिन रक्षात्मक संख्यात्मक रिक्ति के बिना: संतुष्टि रेटिंग, गंभीरता स्तर और शैक्षिक चरण इसके उदाहरण हैं। एक नाममात्र वर्गीकरणकर्ता इस आदेश को अनदेखा करता है। पूर्णांक कोड पर सामान्य प्रतिगमन संख्यात्मक दूरी मानता है और श्रेणियों के बीच या पैमाने से परे भविष्यवाणियां उत्पन्न कर सकता है। प्रत्येक आदेशित स्तर के लिए संभावनाओं की मॉडलिंग करते समय सामान्य प्रतिगमन रैंकिंग को संरक्षित करता है। एक सामान्य सूत्रीकरण एक अनदेखे निरंतर प्रवृत्ति को मानता है, जैसे संतुष्टि, जो भविष्यवक्ताओं से रैखिक रूप से संबंधित है। सीमाएँ उस अव्यक्त पैमाने को प्रेक्षित श्रेणियों में विभाजित करती हैं। एक ऑर्डर किए गए लॉगिट मॉडल में, किसी श्रेणी में या उससे नीचे होने की संचयी संभावना एक लॉजिस्टिक फ़ंक्शन के माध्यम से भविष्यवक्ता स्कोर को घटाकर एक सीमा से जुड़ी होती है। दहलीज का अनुमान क्रम में लगाया जाता है, जबकि एक साझा ढलान अक्सर दर्शाता है कि भविष्यवक्ता अव्यक्त प्रवृत्ति को कैसे बदलते हैं। ऑर्डर किया गया प्रोबिट इसके बजाय सामान्य संचयी वितरण का उपयोग करता है। एक काल्पनिक चार-स्तरीय रेटिंग के लिए, एक अनुकूल भविष्यवक्ता में वृद्धि संभावना को कम रेटिंग से दूर और उच्च रेटिंग की ओर स्थानांतरित कर सकती है। यह जरूरी नहीं है कि हर श्रेणी की संभावना बढ़े: मध्य श्रेणियां लाभ या हानि कर सकती हैं, यह इस बात पर निर्भर करता है कि मामला सीमा के सापेक्ष कहां है। इसलिए गुणांक एक अव्यक्त या संचयी-लिंक पैमाने पर आंदोलन का वर्णन करते हैं, न कि हर बेहतर प्रतिक्रिया की संभावना में प्रत्यक्ष निश्चित वृद्धि का। सामान्य ऑर्डर-लॉगिट मॉडल में आनुपातिक-विषम धारणा कहती है कि भविष्यवक्ता प्रभाव संचयी विभाजनों में साझा किए जाते हैं, जैसे निम्न बनाम उचित-या-उच्च और निम्न-या-उचित बनाम अच्छा-या-उच्च। यह मितव्ययी धारणा हर भविष्यवक्ता या डेटासेट में फिट नहीं हो सकती है। इसका आकलन करें, अनुमानित संभावनाओं का निरीक्षण करें और आवश्यकता पड़ने पर विकल्पों के साथ तुलना करें। श्रेणी क्रम को भी स्पष्ट रूप से सुरक्षित रखें; सॉफ़्टवेयर लेबल को इस तरह से क्रमबद्ध कर सकता है जो इच्छित शब्दार्थ को प्रतिबिंबित नहीं करता है। प्रतिनिधि डेटा के आधार पर मूल्यांकन करें और ऐसे मेट्रिक्स चुनें जो विभिन्न गलतियों के क्रम और परिणामों का सम्मान करते हों। सामान्य प्रतिगमन अस्पष्ट श्रेणी परिभाषाओं या असंगत मानव रेटिंग को अपने आप में विश्वसनीय नहीं बना सकता है।
एक काल्पनिक सेवा सर्वेक्षण खराब, निष्पक्ष, अच्छी और उत्कृष्ट संतुष्टि दर्ज करता है। एक क्रमिक मॉडल उस क्रम का उपयोग करता है लेकिन यह नहीं मानता कि खराब से उचित की दूरी अच्छे से उत्कृष्ट की दूरी के बराबर है।
एक चिकित्सक एक ऑर्डर किए गए लॉगिट का उपयोग करके तीन-स्तरीय लक्षण रेटिंग तैयार करता है। अनुमानित प्रभाव अव्यक्त प्रवृत्ति को बदल देता है, और थ्रेशोल्ड पैरामीटर यह निर्धारित करते हैं कि वह प्रवृत्ति प्रेक्षित श्रेणियों में कैसे मैप होती है।
एक समीक्षक होल्ड-आउट मामलों और वर्ग-विशिष्ट त्रुटियों का उपयोग करके नाममात्र क्लासिफायरियर के साथ क्रमिक प्रतिगमन की तुलना करता है। यदि आसन्न गलतियाँ विपरीत-छोर की गलतियों की तुलना में कम महंगी हैं, तो वे एक आदेश-जागरूक उपाय का भी आकलन करते हैं।
संचयी श्रेणी विभाजनों में एक सामान्य ढलान की व्याख्या करने से पहले एक टीम जाँच करती है कि आनुपातिक-विषम धारणा प्रशंसनीय है या नहीं। यदि यह विफल रहता है, तो अधिक लचीले क्रमिक विनिर्देश की आवश्यकता हो सकती है।
सामान्य भविष्यवाणी उपकरण परिणामों को अधिक ईमानदारी से समझा सकते हैं जब वे केवल एक लेबल के बजाय क्रमबद्ध श्रेणी की संभावनाओं को प्रदर्शित करते हैं। टीमों को डोमेन विशेषज्ञों के साथ श्रेणी के अर्थ को परिभाषित करना चाहिए, रेटर समझौते को मापना चाहिए और जांचना चाहिए कि क्या भविष्यवक्ता प्रभाव संचयी कट बिंदुओं पर समान रहते हैं। जब धारणाएँ विफल हो जाती हैं, तो बाद के डेटा पर लचीले क्रमिक मॉडल और नाममात्र विकल्पों की तुलना करें, जो लागतों का उपयोग करते हैं जो गलतियों की दूरी और प्रभाव को दर्शाते हैं। निगरानी श्रेणी आवृत्तियाँ बदली हुई रेटिंग प्रथाओं के साथ-साथ बदले हुए परिणामों को भी प्रकट कर सकती हैं। जब श्रेणियां असंगत रूप से लागू की जाती हैं तो बेहतर माप डिज़ाइन अधिक जटिल मॉडल की तुलना में उपयोगिता में सुधार कर सकता है।
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
क्रमवाचक प्रतिगमन समान संख्यात्मक अंतरालों को माने बिना उनके क्रम का उपयोग करते हुए निम्न, मध्यम और उच्च जैसी क्रमबद्ध श्रेणियों की भविष्यवाणी करता है। यह अनुमान लगाता है कि कैसे भविष्यवक्ता एक अव्यक्त प्रवृत्ति को श्रेणी की सीमाओं के पार स्थानांतरित करते हैं, जिससे यह रेटिंग को असंबंधित वर्गों या सटीक दूरी वाली संख्याओं के रूप में मानने का एक उपयोगी विकल्प बन जाता है।
सामान्य विधियाँ श्रेणियों की रैंकिंग का उपयोग करती हैं, बिना यह माने कि कोड समान अंतराल मापते हैं।
थ्रेशोल्ड एक न देखी गई निरंतर प्रवृत्ति को क्रमबद्ध देखे गए परिणामों में विभाजित करते हैं।
सामान्य मॉडल विभिन्न संचयी विभाजनों के लिए भविष्यवक्ता ढलानों को साझा करने में बाधा डालता है।
रैखिक प्रतिगमन कोडित अंतराल को सार्थक दूरी के रूप में मानता है और गैर-श्रेणी मानों को आउटपुट कर सकता है।
अव्यक्त वितरण को स्थानांतरित करने से संभाव्यता को सीमा के पार ले जाया जा सकता है, और एक मध्यम श्रेणी द्रव्यमान प्राप्त या खो सकती है।
सीखते रहो
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं
आगेअगली गाइड
मल्टीक्लास वर्गीकरण के लिए सॉफ्टमैक्स रिग्रेशन
तकनीकी