Bevezetés a hátrányos megszüntetésbe

Ahogy az ember és a gép kopogtat a digitális evolúció felé, a különféle technikai gépek számvitelben részesülnek, hogy nemcsak képzett, hanem okosan kiképzett maguk is képesek legyenek a valós objektumok jobb felismerésére. Egy ilyen technika, amelyet korábban bevezettek a „Visszafelé történő elimináció” elnevezéssel, célja a nélkülözhetetlen funkciók támogatása volt, miközben a hátrányos tulajdonságok kiküszöbölése érdekében a gép jobb optimalizálást igényel. Az objektum által a gép által felismert teljes jártasság arányos azzal, hogy mely tulajdonságokat veszi figyelembe.

Azokat a funkciókat, amelyeknek nincs hivatkozása a várható teljesítményre, ki kell üríteni a gépről, és visszamenőleges kiküszöböléssel zárják le. Bármely valódi szóobjektum gépi felismerésének jó pontossága és időbeli összetettsége a tanulásától függ. Tehát a hátrahagyás az merev szerepet játszik a funkciók kiválasztásában. Arra számítja, hogy a jellemzők milyen mértékben függenek a függő változótól, meghatározza a modellbe való tartozásának jelentőségét. Ennek akkreditálása érdekében ellenőrzi a kiszámított sebességet egy standard szignifikancia szinttel (mondjuk 0, 06), és dönt a szolgáltatás kiválasztásáról.

Miért jár visszamenőleges megszüntetés ?

Az irreleváns és redundáns tulajdonságok meghajtják a gépi logika bonyolultságát. Feleslegesen felidézi az időt és a modell erőforrásait. Az előbb említett technika tehát hozzáértő szerepet játszik abban, hogy a modellt egyszerűvé alakítsák. Az algoritmus átalakítja a modell legjobb verzióját azáltal, hogy optimalizálja annak teljesítményét és lecsökkenti az elhasználható, kijelölt erőforrásokat.

Csökkenti a modell legkevésbé figyelemre méltó tulajdonságait, amely zajt okoz a regressziós vonal eldöntésekor. Az irreleváns objektumjellemzők téves osztályozást és előrejelzést eredményezhetnek. Az entitás irreleváns jellemzői egyensúlyhiányt jelentenek a modellben más objektumok egyéb lényeges jellemzőivel szemben. A visszamenőleges eltávolítás elősegíti a modell illeszkedését a legjobb esethez. Ezért a visszamenőleges kizárást javasoljuk egy modellben történő használathoz.

Hogyan alkalmazható visszamenőleges elimináció?

A visszamenőleges elimináció az összes jellemző változóval kezdődik, a függő változóval a modellkritérium kiválasztott illesztése alapján tesztelve. Megkezdi azoknak a változóknak a felszámolását, amelyek rontják a regresszió illeszkedési vonalát. Ezt a törlést addig ismételjük, amíg a modell megfelelő illeszkedést nem ér el. Az alábbiakban ismertetjük a visszamenőleges eltávolítás gyakorlását:

1. lépés: Válassza ki a megfelelő szignifikanciaszintet ahhoz, hogy a gép modelljében maradjon. (Vegyük S = 0, 06)

2. lépés: Töltse be a modellbe az összes elérhető független változót, a függő változó vonatkozásában, és számítsa be a meredekséget és az elfogást, hogy rajzoljon egy regressziós vagy illesztési vonalat.

3. lépés: Haladjon végig az összes független változóval, amelyek egyenként a legmagasabb értéket képviselik (I-es), és folytassa a következő pirítós:

a) Ha I> S, hajtsa végre a 4. lépést.
b) Egyéb megszakítás és a modell tökéletes.

4. lépés: Távolítsa el a választott változót, és növelje meg a keresztezést.

5. lépés: Kovácsolja újra a modellt, és számítsa ki újra a illesztési vonal lejtését és metszetét a maradék változókkal.

A fent említett lépéseket azoknak a jellemzőknek az elutasításával foglaljuk össze, amelyek szignifikanciaaránya meghaladja a kiválasztott szignifikanciaértéket (0, 06), hogy elkerüljük az erőforrások túlzott besorolását és túlzott kihasználását, amelyek meglehetősen magas komplexitásúak voltak.

A hátrányos megszüntetés érdemei és hátrányai

Az alábbiakban részletesebben bemutatunk néhány visszamenőleges kizárási érdemet és hátrányt:

1. Érdemek

A visszalépés érdeme a következő:

  • Gyors edzés: A gépet a rendelkezésre álló mintázat-készletekkel képzik, amelyet nagyon rövid időn belül hajtanak végre, ha a modellből eltávolítják az irreleváns tulajdonságokat. Az adatkészlet gyors képzése csak akkor kerül a képbe, ha a modell jelentős tulajdonságokkal foglalkozik, és kizárja az összes zajváltozót. Egyszerű bonyolultságot teremt az edzéshez. De a modellnek nem szabad átengedni, ami jellemzők hiánya vagy a nem megfelelő minták miatt következik be. A mintavételnek elegendőnek kell lennie egy modellben a legjobb osztályozáshoz. A modell kiképzéséhez szükséges időnek kevesebbnek kell lennie, miközben megőrzi az osztályozási pontosságot, és nem kell alulbecslés változót tartalmaznia.
  • Alsó komplexitás: A modell bonyolultsága akkor fordul elő, ha figyelembe veszi a szolgáltatások jellemzőit, beleértve a zajt és a független tulajdonságokat. A modell sok helyet és időt igényel a szolgáltatások ilyen sokféleségének feldolgozására. Ez növelheti a mintafelismerés pontosságát, de a zaj is tartalmazhat. A modell ilyen nagy bonyolultságától való megszabaduláshoz a visszamenőleges algoritmus szükséges szerepet játszik a nem kívánt funkcióknak a modellből történő áthúzásával. Egyszerűsíti a modell feldolgozási logikáját. Csak néhány alapvető tulajdonság elegendő ahhoz, hogy meghúzza az ésszerű pontosságú tartalmat.
  • Javítani kell a teljesítményt: A modell teljesítménye sok szempontból függ. A modell optimalizálásra kerül visszamenőleges eltávolítás felhasználásával. A modell optimalizálása a modell kiképzéséhez használt adatállomány optimalizálása. A modell teljesítménye közvetlenül arányos az optimalizálási sebességgel, amely a jelentős adatok gyakoriságán alapul. A visszafelé történő eliminációs folyamatnak nem célja a változtatás megkezdése bármely alacsony frekvenciájú prediktorról. De a megváltoztatást csak a magas frekvenciájú adatokból indítja, mivel a modell összetettsége többnyire ezen a részen múlik.
  • Kerülje a túlfutás megkerülését: A túlfutó helyzet akkor fordul elő, amikor a modell túl sok adatkészlettel rendelkezik, és osztályozást vagy predikciót hajtanak végre, amelyben egyes predikátorok más osztályok zaját kapják. Ebben az illesztésben a modellnek váratlanul nagy pontosságot kellett adnia. Túl illeszkedés esetén a modell elképzelhető, hogy a változót nem osztályozza, mert a logikában túl sok körülmény miatt zavart okoz. A visszafelé történő eliminációs technika kiküszöböli a külsõ tulajdonságot, hogy megkerülje a túlzott illeszkedést.

2. Demerits

A visszamenőleges elimináció hátrányai a következők:

  • A hátrányos eliminációs módszernél nem lehet megtudni, melyik predikátor felelős egy másik prediktív elutasításáért, mivel az elhanyagolható. Például, ha az X predikátornak van valamilyen jelentősége, amely elég jó volt ahhoz, hogy az Y predikátor hozzáadása után modellben maradjon. De X jelentése elavul, amikor egy másik Z prediktor kerül a modellbe. Tehát a visszamenőleges eliminációs algoritmus nem nyilvánvaló a két előrejelző közötti, az „Előválogatási technika” során fennálló függőségről.
  • Miután a modell bármely tulajdonságát elutasította egy visszamenőleges eliminációs algoritmus segítségével, azt nem lehet újra kiválasztani. Röviden: a visszafelé történő eltávolítás nem rendelkezik rugalmas módszerrel a szolgáltatások / prediktorok hozzáadására vagy eltávolítására.
  • A modellben a szignifikanciaérték (0, 06) megválasztására vonatkozó normák rugalmatlanok. A visszamenőleges eltávolításnak nincs olyan rugalmas eljárása, amely nemcsak a jelentéktelen értéket választja ki, hanem megváltoztatja azt is, amennyire szükség van annak érdekében, hogy a megfelelő adatkészlethez a lehető legjobban illeszkedjen.

Következtetés

A visszafelé történő eltávolítás technikája a modell teljesítményének javítása és komplexitása optimalizálása érdekében valósult meg. Széles körben használják több regresszióban, ahol a modell a kiterjedt adatkészlettel foglalkozik. Ez egy egyszerű és egyszerű megközelítés, összehasonlítva az előre kiválasztással és a kereszt-validálással, amelyben az optimalizálás túlterhelt. A visszafelé történő eliminációs technika kezdeményezi a nagyobb jelentőségű tulajdonságok eltávolítását. Alapvető célja, hogy a modellt kevésbé bonyolultvá tegye, és megakadályozza a túl illeszkedő helyzetet.

Ajánlott cikkek

Ez egy útmutató a hátrányos megszüntetéshez. Itt megvitatjuk, hogyan lehet alkalmazni a visszamenőleges kizárást az érdemeivel és hátrányaival együtt. A következő cikkeket is megnézheti további információkért -

  1. Hiperparaméter gépi tanulás
  2. Fürtözés a gépi tanulásban
  3. Java virtuális gép
  4. Nem felügyelt gépi tanulás

Kategória:

Nagy adat