বায়াস, ভেরিয়েন্স এবং এর ট্রেড অফ সম্পর্কে কথা বলেছি। এর উপর ভিত্তি করে আন্ডারফিট, ওভারফিট এবং গুড মডেল বুঝি।
যখনই মেশিন লার্নিং মডেল আউটপুট সম্পর্কে ভবিষ্যদ্বাণী ও শ্রেণীবিভাগ করার চেষ্টা করে তখন এটি প্রশিক্ষণ এবং পরীক্ষার ডেটা ব্যবহার করে এক ধরণের নির্ভুলতা প্রদান করে কিন্তু যখন আমরা আমাদের মডেলকে অদৃশ্য ডেটার উপর প্রশিক্ষণ দিই তখন এটি ভিন্ন নির্ভুলতা দেয় এবং সেই মডেলের ক্ষেত্রে আন্ডারফিট, ওভারফিট বা ভালো মডেল। আন্ডারফিটিং, ওভারফিটিং এবং ভালো মডেলের দৃশ্য।
উচ্চ প্রশিক্ষণ ত্রুটি - উচ্চ বায়াস্ট
উচ্চ পরীক্ষার ত্রুটি - উচ্চ বৈচিত্র
কম প্রশিক্ষণ ত্রুটি - নিম্ন পক্ষপাত
উচ্চ পরীক্ষার ত্রুটি - উচ্চ বৈচিত্র
কম প্রশিক্ষণ ত্রুটি - নিম্ন পক্ষপাত
কম পরীক্ষা ত্রুটি - কম বৈচিত্র্য
আন্ডারফিট - এটি ঘটে যখন একটি মডেল ডেটার অন্তর্নিহিত প্যাটার্ন ক্যাপচার করতে অক্ষম। এর রয়েছে "হাই বায়াস অ্যান্ড লো ভেরিয়েন্স"। এর মানে হল মডেলটি প্রশিক্ষণ ডেটাসেটে সঠিকভাবে ফিট হবে না এবং তাই কম ট্রেনের নির্ভুলতা (বা উচ্চ প্রশিক্ষণ ত্রুটি) থাকবে
উদাহরণ - প্রশিক্ষণ ত্রুটি 30% এবং পরীক্ষার ত্রুটি 20% সহ একটি মডেল। অতএব এটির একটি উচ্চ পক্ষপাত এবং উচ্চ বৈচিত্র রয়েছে তাই মডেলটি আন্ডারফিট।
ওভারফিট - এটি ঘটে যখন আমাদের মডেল ডেটার অন্তর্নিহিত প্যাটার্ন সহ শব্দটি ক্যাপচার করে। এটিতে নিম্ন পক্ষপাত এবং উচ্চ বৈকল্পিকতা রয়েছে। এর অর্থ এই যে মডেলটি পরীক্ষার ডেটাসেটে সঠিকভাবে ফিট হবে না এবং তাই কম পরীক্ষার নির্ভুলতা (বা উচ্চ-পরীক্ষা ত্রুটি) থাকবে
উদাহরণ - প্রশিক্ষণ ত্রুটি 2% এবং পরীক্ষার ত্রুটি 20% সহ একটি মডেল। অতএব এটির একটি নিম্ন পক্ষপাত এবং উচ্চ বৈচিত্র রয়েছে তাই মডেলটি ওভারফিট।
ভাল মডেল - এর "লো বায়াস এবং লো ভেরিয়েন্স" রয়েছে এবং এটি প্রশিক্ষণ এবং পরীক্ষার ডেটা উভয় ক্ষেত্রেই ভাল কাজ করে।
উদাহরণ - প্রশিক্ষণ ত্রুটি 2% এবং পরীক্ষার ত্রুটি 3% সহ একটি মডেল। অতএব এটির একটি নিম্ন পক্ষপাত এবং নিম্ন বৈচিত্র রয়েছে তাই মডেলটি ভাল মডেল।
পরবর্তী পোস্টে আমি সেই কৌশলগুলি সম্পর্কে কথা বলব যা মডেল থেকে ওভারফিটিং অপসারণের জন্য দায়ী।
আমাকে অনুসরণ করুন এবং সাথে থাকুন এবং আপডেট থাকুন !!!
#মেশিন লার্নিং #ডেটাসিয়েন্স
0 মন্তব্য(গুলি):
একটি মন্তব্য পোস্ট করুন