سوال:
مشین سیکھنے میں خصوصیت کا انتخاب اتنا اہم کیوں ہے؟
A:بنیادی طور پر مشین لرننگ میں فیچر کا انتخاب انتہائی اہم ہے کیونکہ یہ متغیرات کے استعمال کی ہدایت کرنے کے لئے ایک بنیادی تکنیک کے طور پر کام کرتی ہے جو کسی مشینی مشین سیکھنے کے نظام کے لئے زیادہ موثر اور موثر ہے۔
ماہرین اس بارے میں بات کرتے ہیں کہ خصوصیت کا انتخاب اور خصوصیت کو نکالنے کے طول و عرض کی لعنت کو کم سے کم کرنے یا زیادہ مناسبات سے نمٹنے میں کس طرح کام کرتے ہیں - ضرورت سے زیادہ پیچیدہ ماڈلنگ کے خیال کو حل کرنے کے یہ مختلف طریقے ہیں۔
| مفت ڈاؤن لوڈ: مشین سیکھنا اور اس سے کیوں فرق پڑتا ہے |
یہ کہنے کا دوسرا طریقہ یہ ہے کہ فیچر سلیکشن ڈویلپرز کو مشین لرننگ ٹریننگ سیٹوں میں صرف انتہائی متعلقہ اور مفید ڈیٹا کے استعمال میں مدد فراہم کرتا ہے ، جس سے اخراجات اور ڈیٹا کی مقدار میں ڈرامائی طور پر کمی واقع ہوتی ہے۔
ایک مثال پیمانے پر ایک پیچیدہ شکل کی پیمائش کرنے کا خیال ہے۔ جیسے ہی یہ پروگرام ترازو کرتا ہے ، اس سے زیادہ تعداد میں ڈیٹا پوائنٹس کی شناخت ہوتی ہے اور یہ نظام زیادہ پیچیدہ ہوجاتا ہے۔ لیکن ایک پیچیدہ شکل وہ عام ڈیٹا سیٹ نہیں ہے جسے مشین لرننگ سسٹم استعمال کررہا ہے۔ یہ سسٹم ڈیٹا سیٹ استعمال کرسکتے ہیں جس میں مختلف متغیر کے مابین مختلف سطحوں کے فرق موجود ہیں۔ مثال کے طور پر ، درجہ بندی کرنے والی پرجاتیوں میں ، انجینئر صرف متغیرات کا مطالعہ کرنے کے لئے فیچر سلیکشن کا استعمال کرسکتے ہیں جو انھیں سب سے زیادہ ھدف کردہ نتائج فراہم کرے گا۔ اگر چارٹ میں ہر جانور کی آنکھیں یا ٹانگیں ایک جیسی ہیں ، تو اس کوائف کو ہٹایا جاسکتا ہے ، یا اس سے زیادہ دیگر متعلقہ ڈیٹا پوائنٹ نکالا جاسکتا ہے۔
خصوصیت کا انتخاب امتیازی سلوک کا عمل ہے جس کے ذریعہ انجینئر براہ راست مشین لرننگ سسٹم کو کسی ہدف کی طرف لاتے ہیں۔ سسٹم سے پیمانے پر پیچیدگیوں کو دور کرنے کے خیال کے علاوہ ، ماہروں کو مشین لرننگ میں "تعصب کی مختلف حالتوں سے متعلق تجارت" کے پہلوؤں کی اصلاح میں بھی خصوصیت کا انتخاب مفید ثابت ہوسکتا ہے۔
خصوصیت کا انتخاب تعصب اور تغیر تجزیہ میں مدد کرنے کی وجوہات زیادہ پیچیدہ ہیں۔ فیچر سلیکشن ، تعصب کی تغیر اور بیگنگ کے بارے میں کارنیل یونیورسٹی سے ہونے والے مطالعے میں یہ واضح کیا گیا ہے کہ فیچر سلیکشن منصوبوں کی مدد کس طرح کرتا ہے۔
مصنفین کے مطابق ، یہ مقالہ "اس طریقہ کار کی جانچ کرتا ہے جس کے ذریعہ خصوصیت کا انتخاب نگرانی سیکھنے کی درستی کو بہتر بناتا ہے۔"
تحقیق میں مزید کہا گیا ہے:
خصوصیت کے انتخاب کی ترقی کے ساتھ ہی ایک تجرباتی تعصب / تغیر کا تجزیہ اس بات کی نشاندہی کرتا ہے کہ سب سے زیادہ درست فیچر سیٹ سیکھنے کے الگورتھم کے ل. تعصب کے مختلف تجارتی نقطہ سے مطابقت رکھتا ہے۔
مضبوط یا ضعیف مطابقت کے استعمال پر تبادلہ خیال کرتے ہوئے ، مصنف خصوصیت کے انتخاب کے بارے میں "متغیر میں کمی کے طریقہ کار" کی حیثیت سے بات کرتے ہیں - اس سے اس وقت کوئی معنی ملتا ہے جب آپ متغیر میں مختلف حالتوں میں فرق کی بنیادی حیثیت کے بارے میں سوچتے ہیں۔ اگر اس میں کوئی تغیر نہیں ہے تو ، ڈیٹا پوائنٹ یا سرنی لازمی طور پر بیکار ہوسکتی ہے۔ اگر اس میں بہت زیادہ تغیر ہے تو ، یہ اس میں تبدیل ہوسکتا ہے کہ انجینئر "شور" یا غیر متعلقہ ، من مانی نتائج کے طور پر کیا سوچ سکتے ہیں جو مشین لرننگ سسٹم کا انتظام کرنا مشکل ہے۔
اس کی روشنی میں ، فیچر سلیکشن مشین لرننگ میں ڈیزائن کا بنیادی جز ہے۔
