سوال:
مشین لرننگ میں تعصب اور تغیرات کو بیان کرنے کا ایک آسان طریقہ کیا ہے؟
A:مشین لرننگ میں تعصب اور تغیر بیان کرنے کے لئے متعدد پیچیدہ طریقے ہیں۔ ان میں سے بہت سارے نمایاں پیچیدہ ریاضیاتی مساوات کو بروئے کار لاتے ہیں اور گرافنگ کے ذریعے ظاہر کرتے ہیں کہ کس طرح مخصوص مثالوں میں تعصب اور تغیر دونوں کی مختلف مقدار کی نمائندگی ہوتی ہے۔
مشین سیکھنے میں تعصب ، تغیر اور تعصب / تغیرات کی تجارت کو بیان کرنے کا ایک آسان طریقہ ہے۔
اس کی اصل میں ، تعصب ایک حد کی وضاحت ہے۔ تعصب کی تعریف میں کچھ مفروضہ یا فرض کی گئی غلطی شامل کرنا اہم ہوسکتا ہے۔
اگر انتہائی متعصبانہ نتیجہ غلطی میں نہیں تھا - اگر یہ رقم پر تھا تو - یہ انتہائی درست ہوگا۔ مسئلہ یہ ہے کہ آسان کردہ ماڈل میں کچھ غلطی ہوتی ہے ، لہذا یہ بیل کی نگاہ پر نہیں ہے - مشین سیکھنے کے پروگرام کے کام کرنے کے ساتھ ہی اس کی نمایاں خرابی دہرایا جاتا ہے یا یہاں تک کہ اس میں اضافہ ہوتا جاتا ہے۔
تغیر کی آسان تعریف یہ ہے کہ نتائج بہت بکھرے ہوئے ہیں۔ اس سے اکثر پروگرام کی ضرورت سے زیادہ تکلیف اور ٹیسٹ اور ٹریننگ سیٹوں کے مابین پریشانی پیدا ہوتی ہے۔
اعلی تغیر کا مطلب یہ ہے کہ چھوٹی تبدیلیاں آؤٹ پٹس یا نتائج میں بڑی تبدیلیاں لاتی ہیں۔
تغیرات کو محض بیان کرنے کا ایک اور طریقہ یہ ہے کہ ماڈل میں بہت زیادہ شور ہے ، اور اس ل machine مشین لرننگ پروگرام کے لئے حقیقی سگنل کو الگ اور شناخت کرنا مشکل ہوجاتا ہے۔
لہذا تعصب اور تغیرات کا موازنہ کرنے کا ایک آسان ترین طریقہ یہ ہے کہ مشین لرننگ انجینئرز کو بہت زیادہ تعصب یا حد سے تجاوز کرنے ، اور بہت زیادہ تغیر یا حد سے زیادہ تکالیف کے مابین ٹھیک لکیر پر چلنا ہے۔
اس کنواں کی نمائندگی کرنے کا ایک اور طریقہ چار چوکورٹ چارٹ کے ساتھ ہے جس میں اعلی اور کم تغیر کے تمام امتزاج دکھائے گئے ہیں۔ کم تعصب / کم تغیرات کواڈرینٹ میں ، تمام نتائج ایک درست کلسٹر میں اکٹھے ہوجاتے ہیں۔ اعلی تعصب / کم تغیر کے نتیجے میں ، تمام نتائج ایک غلط کلسٹر میں اکٹھے ہوجاتے ہیں۔ کم تعصب / اعلی تغیر کے نتیجے میں ، نتائج ایک مرکزی نقطہ کے آس پاس بکھرے ہوئے ہیں جو ایک درست جھرمٹ کی نمائندگی کرتے ہیں ، جبکہ اعلی تعصب / اعلی تغیر کے نتیجے میں ، ڈیٹا پوائنٹس دونوں بکھرے ہوئے اور اجتماعی طور پر غلط ہیں۔
