இயந்திர கற்றலுக்கான நேரியல் பின்னடைவை எவ்வாறு செயல்படுத்துவது?

கவனம் முடிவை கணிக்க ஒரு வழிமுறையைப் பயன்படுத்தி உள்ளீடு மற்றும் வெளியீட்டு மாறிகள் சுற்றி வருகிறது. ஒரு புதிய உள்ளீட்டு மாறி படத்தில் வந்தால். இல் நேரியல் பின்னடைவு வழிமுறை சிறந்த கணிப்புகளைப் பெற மேப்பிங் செயல்பாட்டை தோராயமாக மதிப்பிடுவதற்கான மேற்பார்வையிடப்பட்ட கற்றல் நுட்பமாகும். இந்த கட்டுரையில், இயந்திர கற்றலுக்கான நேரியல் பின்னடைவைப் பற்றி அறிந்து கொள்வோம். பின்வரும் வலைப்பதிவுகள் இந்த வலைப்பதிவில் விவாதிக்கப்பட்டுள்ளன.

• பின்னடைவு என்றால் என்ன?
• பின்னடைவு வகைகள்
• நேரியல் பின்னடைவு என்றால் என்ன?
• நேரியல் பின்னடைவு சொற்கள்
• நேரியல் பின்னடைவின் நன்மைகள் மற்றும் தீமைகள்
• நேரியல் பின்னடைவு பயன்பாட்டு வழக்குகள்
• வழக்கைப் பயன்படுத்தவும் - நேரியல் பின்னடைவு நடைமுறைப்படுத்தல்

பின்னடைவு என்றால் என்ன?

பின்னடைவின் முக்கிய குறிக்கோள், பண்புக்கூறு மாறிகள் ஒரு தொகுப்பிலிருந்து சார்பு பண்புகளை கணிக்க திறமையான மாதிரியை உருவாக்குவதாகும். வெளியீட்டு மாறி உண்மையானதாகவோ அல்லது தொடர்ச்சியான மதிப்பாகவோ இருக்கும்போது சம்பளம், எடை, பகுதி போன்றவை இருக்கும்போது பின்னடைவு சிக்கல்.

வீட்டுவசதி, முதலீடு போன்ற பயன்பாடுகளில் பயன்படுத்தப்படும் புள்ளிவிவர வழிமுறையாக பின்னடைவை வரையறுக்கலாம். இது ஒரு சார்பு மாறி மற்றும் சுயாதீன மாறிகள் ஒரு கூட்டத்திற்கு இடையிலான உறவைக் கணிக்கப் பயன்படுகிறது. பல்வேறு வகையான பின்னடைவு நுட்பங்களைப் பார்ப்போம்.

பின்னடைவு வகைகள்

பின்வருபவை பின்னடைவு வகைகள்.

1. எளிய நேரியல் பின்னடைவு
2. பல்லுறுப்புறுப்பு பின்னடைவு
3. திசையன் பின்னடைவை ஆதரிக்கவும்
4. முடிவு மரம் பின்னடைவு
5. சீரற்ற வன பின்னடைவு

எளிய நேரியல் பின்னடைவு

மிகவும் சுவாரஸ்யமான மற்றும் பொதுவான பின்னடைவு நுட்பங்களில் ஒன்று எளிய நேரியல் பின்னடைவு ஆகும். இதில், சுயாதீன மாறிகளின் அடிப்படையில் ஒரு சார்பு மாறியின் விளைவை நாங்கள் கணிக்கிறோம், மாறிகளுக்கு இடையிலான உறவு நேரியல். எனவே, நேரியல் பின்னடைவு என்ற சொல்.

பல்லுறுப்புறுப்பு பின்னடைவு

இந்த பின்னடைவு நுட்பத்தில், அசல் அம்சங்களை ஒரு குறிப்பிட்ட பட்டத்தின் பல்லுறுப்பு அம்சங்களாக மாற்றுவோம், பின்னர் அதன் பின்னடைவைச் செய்கிறோம்.

திசையன் பின்னடைவை ஆதரிக்கவும்

க்கு பின்னடைவு அல்லது எஸ்.வி.ஆர், அதிகபட்ச விளிம்புடன் ஒரு ஹைப்பர் பிளேனை அடையாளம் காண்கிறோம், அதாவது அதிகபட்ச தரவு புள்ளிகள் அந்த ஓரங்களுக்குள் இருக்கும். இது ஆதரவு திசையன் இயந்திர வகைப்பாடு வழிமுறைக்கு மிகவும் ஒத்திருக்கிறது.

முடிவு மரம் பின்னடைவு

TO பின்னடைவு மற்றும் இரண்டிற்கும் பயன்படுத்தப்படலாம் . பின்னடைவின் விஷயத்தில், நிலையான விலகலைக் குறைப்பதன் மூலம் பிளவு முனையை அடையாளம் காண ஐடி 3 வழிமுறையை (ஐடரேட்டிவ் டைகோடோமைசர் 3) பயன்படுத்துகிறோம்.

சீரற்ற வன பின்னடைவு

சீரற்ற வன பின்னடைவில், பல முடிவு மர பின்னடைவுகளின் கணிப்புகளை நாங்கள் ஒருங்கிணைக்கிறோம். பல்வேறு வகையான பின்னடைவைப் பற்றி இப்போது நாம் அறிந்திருக்கிறோம், எளிய நேரியல் பின்னடைவை விரிவாகப் பார்ப்போம்.

நேரியல் பின்னடைவு என்றால் என்ன?

எளிய நேரியல் பின்னடைவு என்பது ஒரு பின்னடைவு நுட்பமாகும், இதில் சுயாதீன மாறி சார்பு மாறியுடன் ஒரு நேரியல் உறவைக் கொண்டுள்ளது. வரைபடத்தில் உள்ள நேர் கோடு சிறந்த பொருத்தம். எளிமையான நேரியல் பின்னடைவின் முக்கிய குறிக்கோள், கொடுக்கப்பட்ட தரவு புள்ளிகளைக் கருத்தில் கொண்டு, முடிந்தவரை சிறந்த முறையில் மாதிரியைப் பொருத்துவதற்கு சிறந்த பொருத்தக் கோட்டைத் திட்டமிடுவது.

நேரியல் பின்னடைவு வழிமுறை எவ்வாறு இயங்குகிறது என்பதை நோக்கிச் செல்வதற்கு முன், எளிய நேரியல் பின்னடைவில் சில முக்கியமான சொற்களைப் பார்ப்போம்.

நேரியல் பின்னடைவு சொற்கள்

நேரியல் பின்னடைவு வழிமுறைக்குச் செல்வதற்கு முன் பின்வரும் சொற்கள் தெரிந்திருக்க முக்கியம்.

செலவு செயல்பாடு

கீழே கொடுக்கப்பட்டுள்ள நேரியல் சமன்பாட்டின் அடிப்படையில் சிறந்த பொருத்தம் இருக்கும்.

ஜாவாஸ்கிரிப்டில் எச்சரிக்கை என்ன

• கணிக்க வேண்டிய சார்பு மாறி Y ஆல் குறிக்கப்படுகிறது.
• Y- அச்சைத் தொடும் ஒரு வரி இடைமறிப்பால் குறிக்கப்படுகிறது b₀.
• b_{ஒன்று}கோட்டின் சாய்வு, x என்பது Y இன் கணிப்பை தீர்மானிக்கும் சுயாதீன மாறிகளைக் குறிக்கிறது.
• இதன் விளைவாக கணிப்பதில் உள்ள பிழை e ஆல் குறிக்கப்படுகிறது.

செலவு செயல்பாடு b க்கு சிறந்த மதிப்புகளை வழங்குகிறது₀மற்றும் ஆ_{ஒன்று}தரவு புள்ளிகளுக்கு சிறந்த பொருத்தம் செய்ய. B க்கான சிறந்த மதிப்புகளைப் பெற இந்த சிக்கலைக் குறைக்கும் சிக்கலாக மாற்றுவதன் மூலம் இதைச் செய்கிறோம்₀மற்றும் ஆ_{ஒன்று}. உண்மையான மதிப்புக்கும் கணிக்கப்பட்ட மதிப்புக்கும் இடையிலான இந்த சிக்கலில் பிழை குறைக்கப்படுகிறது.

பிழையைக் குறைக்க மேலே உள்ள செயல்பாட்டை நாங்கள் தேர்வு செய்கிறோம். பிழை வேறுபாட்டை நாம் சதுரமாக்குகிறோம் மற்றும் அனைத்து தரவு புள்ளிகளிலும் பிழையை தொகுக்கிறோம், மொத்த தரவு புள்ளிகளுக்கு இடையிலான பிரிவு. பின்னர், உற்பத்தி செய்யப்பட்ட மதிப்பு அனைத்து தரவு புள்ளிகளிலும் சராசரி சதுர பிழையை வழங்குகிறது.

இது MSE (சராசரி சதுர பிழை) என்றும் அழைக்கப்படுகிறது, மேலும் b இன் மதிப்புகளை மாற்றுகிறோம்₀மற்றும் ஆ_{ஒன்று}இதனால் MSE மதிப்பு குறைந்தபட்சமாக தீர்க்கப்படும்.

சாய்வு வம்சாவளி

நேரியல் பின்னடைவைப் புரிந்துகொள்வதற்கான அடுத்த முக்கியமான சொல் சாய்வு வம்சாவளி. இது புதுப்பிக்கும் முறை₀மற்றும் ஆ_{ஒன்று}MSE ஐக் குறைப்பதற்கான மதிப்புகள். இதன் பின்னணியில் உள்ள யோசனை ஆ₀மற்றும் ஆ_{ஒன்று}MSE ஐ குறைந்தபட்சமாகக் குறைக்கும் வரை மதிப்புகள்.

புதுப்பிக்க ஆ₀மற்றும் ஆ_{ஒன்று}, செலவுச் செயல்பாட்டிலிருந்து சாய்வுகளை எடுத்துக்கொள்கிறோம். இந்த சாய்வுகளைக் கண்டுபிடிக்க, b ஐப் பொறுத்து பகுதி வழித்தோன்றல்களை எடுத்துக்கொள்கிறோம்₀மற்றும் ஆ_{ஒன்று}. இந்த பகுதி வழித்தோன்றல்கள் சாய்வு மற்றும் b இன் மதிப்புகளைப் புதுப்பிக்கப் பயன்படுகின்றன₀மற்றும் ஆ_{ஒன்று}.

ஒரு சிறிய கற்றல் விகிதம் குறைந்தபட்சத்தை நெருங்குகிறது, ஆனால் அதற்கு அதிக நேரம் தேவைப்படுகிறது மற்றும் ஒரு பெரிய கற்றல் விகிதம் இருந்தால். எடுக்கப்பட்ட நேரம் விரைவில் ஆனால் குறைந்தபட்ச மதிப்பை மீறுவதற்கான வாய்ப்பு உள்ளது. இப்போது நாம் நேரியல் பின்னடைவில் உள்ள சொற்களைக் கொண்டு வருகிறோம், இயந்திர கற்றலுக்கான நேரியல் பின்னடைவின் சில நன்மைகள் மற்றும் தீமைகள் பற்றி பார்ப்போம்.

நன்மைகள் மற்றும் தீமைகள்

நேரியல் பின்னடைவு பயன்பாட்டு வழக்குகள்

• விற்பனை முன்னறிவிப்பு

• இடர் பகுத்தாய்வு

• வீட்டுவசதி பயன்பாடுகள் விலைகள் மற்றும் பிற காரணிகளை கணிக்க

• பங்கு விலைகள், முதலீட்டு மதிப்பீடு போன்றவற்றை கணிக்க நிதி பயன்பாடுகள்.

நேரியல் பின்னடைவின் பின்னணியில் உள்ள அடிப்படை யோசனை சார்பு மற்றும் சுயாதீன மாறிகளுக்கு இடையிலான உறவைக் கண்டுபிடிப்பதாகும். குறைந்தபட்ச பிழையுடன் முடிவைக் கணிக்கும் சிறந்த பொருத்தப்பட்ட வரியைப் பெற இது பயன்படுத்தப்படுகிறது. எளிய நிஜ வாழ்க்கை சூழ்நிலைகளில் நேரியல் பின்னடைவைப் பயன்படுத்தலாம், அதாவது SAT மதிப்பெண்களை கணிப்பது போன்ற மணிநேரங்கள் மற்றும் பிற தீர்க்கமான காரணிகளைப் பொறுத்து.

இதைக் கருத்தில் கொண்டு, ஒரு பயன்பாட்டு வழக்கைப் பார்ப்போம்.

வழக்கைப் பயன்படுத்தவும் - நேரியல் பின்னடைவை செயல்படுத்துகிறது

செயல்முறை பின்வரும் படிகளில் நடைபெறுகிறது:

1. தரவை ஏற்றுகிறது
2. தரவை ஆராய்தல்
3. தரவை வெட்டுதல்
4. ரயில் மற்றும் பிளவு தரவு
5. மாதிரியை உருவாக்குங்கள்
6. மதிப்பீடு துல்லியம்

நேரியல் பின்னடைவைச் செயல்படுத்த ஒவ்வொரு படிகளின் விவரங்களையும் பெறுவோம்.

1. தரவை ஏற்றுகிறது

நேரியல் பின்னடைவுடன் எங்கள் பயணத்தைத் தொடங்க ஸ்கைலார்ன் (ஸ்கிக்கிட்-லர்ன்) டேட்டா செட் தொகுதியில் ஏற்கனவே இருக்கும் அடிப்படை நீரிழிவு தரவுத் தொகுப்பிலிருந்து நாம் தொடங்கலாம்.

sklearn இறக்குமதி தரவுத்தொகுப்புகள் நோய் = datasets.load_diabetes () அச்சு (நோய்)

வெளியீடு:

2. தரவை ஆராய்தல்

தரவை ஏற்றுவதை முடித்த பிறகு, பின்வரும் குறியீட்டைப் பயன்படுத்தி லேபிள்களைச் சரிபார்த்து ஆராய ஆரம்பிக்கலாம்.

அச்சு (disease.keys ())

வெளியீடு:

மேலேயுள்ள குறியீடு தரவுத் தொகுப்பிலிருந்து அனைத்து லேபிள்களையும் தருகிறது, இதற்குப் பிறகு, தரவை வெட்டலாம், இதன் மூலம் வரியை இறுதியில் திட்டமிடலாம். எல்லா தரவு புள்ளிகளையும் நாங்கள் பயன்படுத்துவோம், இப்போதைக்கு, தரவிலிருந்து நெடுவரிசை 2 ஐ வெட்டுவோம்.

c ++ இல் பெயர்வெளிகள்

np disease_X = disease.data [:, np.newaxis, 2] அச்சு (நோய்_எக்ஸ்)

வெளியீடு:

இந்த படிக்குப் பிறகு, தரவை ரயில் மற்றும் சோதனைத் தொகுப்பாகப் பிரிப்போம்.

3. தரவைப் பிரித்தல்

disease_X_train = disease_X [: - 30] disease_X_test = disease_X [-20:] disease_Y_train = disease.target [: - 30] disease_Y_test = disease.target [-20:]

அடுத்த பகுதி மாதிரியை உருவாக்குவதை உள்ளடக்கியது, இதில் sklearn இலிருந்து நேரியல்_மாடலை இறக்குமதி செய்வது அடங்கும்.

4. மாதிரியை உருவாக்குதல்

ஸ்க்லெர்ன் இறக்குமதியிலிருந்து நேரியல்_மாடல் ரெக் = நேரியல்_மாடல்.லைனியர் முன்னேற்றம் () reg.fit (நோய்_எக்ஸ்_விவரம், நோய்_ஒரு_விவரம்) y_predict = reg.predict (நோய்_எக்ஸ்_ சோதனை)

மாதிரியின் துல்லியத்தை மதிப்பிடுவதற்கு, ஸ்கிக்கிட்-கற்றலில் இருந்து சராசரி ஸ்கொயர் பிழையைப் பயன்படுத்துவோம்.

5. மதிப்பீடு

துல்லியம் = சராசரி_ சதுர_பயன்பாடு (நோய்_ஒரு_ சோதனை, y_ கணிப்பு,) அச்சு (துல்லியம்) எடைகள் = reg.coef_ இடைமறிப்பு = reg.intercept_ அச்சு (எடைகள், இடைமறிப்பு)

வெளியீடு:

வரைபடத்தில் தரவு புள்ளிகள் எவ்வாறு இருக்கும் என்பது குறித்து மேலும் தெளிவாக இருக்க, வரைபடங்களையும் சதி செய்வோம்.

matplotlib.pyplot ஐ plt plt.scatter (disease_X_test, disease_Y_test) plt.plot (disease_X_test, y_predict) plt.show () ஆக இறக்குமதி செய்க

வெளியீடு:

இந்த சூழ்நிலையில் மிகவும் துல்லியமான மாதிரியைப் பெற, நெடுவரிசை 2 க்கு பதிலாக முழு தரவையும் பயன்படுத்தலாம். இது கீழே காட்டப்பட்டுள்ளபடி ஒரு துல்லியத்தை அளிக்கும்:

# மேலே உள்ள குறியீட்டில் ஒரு சிறிய மாற்றத்தை உருவாக்கி, பிழைகள் தவிர்க்க சதி குறியீட்டை அகற்றவும் disease_X = disease.data

வெளியீடு:

இயந்திரக் கற்றலுக்கான நேரியல் பின்னடைவைப் பற்றி நாம் கற்றுக்கொண்ட இந்த கட்டுரையின் முடிவுக்கு இது நம்மை அழைத்துச் செல்கிறது. இந்த டுடோரியலில் உங்களுடன் பகிரப்பட்ட எல்லாவற்றையும் நீங்கள் தெளிவாகக் கருதுகிறீர்கள் என்று நம்புகிறேன்.

“இயந்திர கற்றலுக்கான நேரியல் பின்னடைவு” குறித்த இந்த கட்டுரையை நீங்கள் கண்டால், பாருங்கள் உலகம் முழுவதும் பரவியுள்ள 250,000 க்கும் மேற்பட்ட திருப்தியான கற்றவர்களின் வலைப்பின்னலுடன் நம்பகமான ஆன்லைன் கற்றல் நிறுவனம்.

நீங்கள் ஏதேனும் கேள்விகளைக் கண்டால், 'இயந்திர கற்றலுக்கான நேரியல் பின்னடைவு' இன் கருத்துகள் பிரிவில் உங்கள் எல்லா கேள்விகளையும் கேட்க தயங்கவும், எங்கள் குழு பதிலளிப்பதில் மகிழ்ச்சி அடைகிறது.