রিগ্রেশন (Regression)
রিগ্রেশন একটি সুপারভাইজড মেশিন লার্নিং পদ্ধতির ধরন যা যেকোনো কন্টিনিউয়াস-ভ্যালুড অ্যাট্রিবিউট পূর্বাভাস দিতে ব্যবহৃত হতে পারে। রিগ্রেশন ব্যবসায়িক সংস্থাকে টার্গেট ভেরিয়েবল এবং প্রেডিক্টর ভেরিয়েবলের সম্পর্ক অনুসন্ধান করতে সক্ষম করে। এটি একটি অত্যন্ত গুরুত্বপূর্ণ টুল যা ডেটা অনুসন্ধান করতে ব্যবহৃত হয় যা মনিটারি পূর্বাভাস এবং টাইম সিরিজ মডেলিং-এ ব্যবহার করা যায়।
ডেটাকে একটি ফাংশনে ফিট করে স্মুথ করা যেতে পারে, যেমন রিগ্রেশনের সাথে। লিনিয়ার রিগ্রেশনে দুটি অ্যাট্রিবিউট (অথবা ভেরিয়েবল) ফিট করার জন্য "সেরা" লাইন খুঁজে বের করা জড়িত যাতে একটি অ্যাট্রিবিউট অন্যটি পূর্বাভাস দিতে পারে। মাল্টিপল লিনিয়ার রিগ্রেশন লিনিয়ার রিগ্রেশনের একটি অগ্রগতি, যেখানে দুটির বেশি অ্যাট্রিবিউট জড়িত থাকে এবং ডেটাকে একটি মাল্টিডায়মেনশনাল স্পেসে ফিট করা হয়।
লিনিয়ার রিগ্রেশনে, ডেটাকে একটি সधी রেখায় ফিট করার জন্য মডেল করা হয়। উদাহরণস্বরূপ, একটি র্যান্ডম ভেরিয়েবল, y (রেসপন্স ভেরিয়েবল বলা হয়), একটি অন্য র্যান্ডম ভেরিয়েবল, x (প্রেডিক্টর ভেরিয়েবল বলা হয়) এর একটি লিনিয়ার ফাংশন হিসেবে মডেল করা যেতে পারে, সমীকরণ y = wx+b দিয়ে, যেখানে y-এর ভেরিয়েন্স কনস্ট্যান্ট ধরা হয়।
রিগ্রেশন সমস্যাগুলো ইনপুট ভ্যালুতে ভিত্তি করে একটি আউটপুট ভ্যালু গণনা করার সাথে জড়িত। ক্লাসিফিকেশনের জন্য ব্যবহৃত হলে, ইনপুট ভ্যালুগুলো ডেটাবেস থেকে আসা ভ্যালু এবং আউটপুট ভ্যালুগুলো ক্লাসগুলোকে উপস্থাপন করে। রিগ্রেশন ক্লাসিফিকেশন সমস্যা অনুসন্ধান করতে ব্যবহার করা যেতে পারে, কিন্তু এটি পূর্বাভাসের মতো অন্যান্য অ্যাপ্লিকেশনের জন্যও ব্যবহার করা যেতে পারে। রিগ্রেশনের মৌলিক কাঠামো হল সিম্পল লিনিয়ার রিগ্রেশন যেটি শুধু এক প্রেডিক্টর এবং একটি প্রেডিকশন ধারণ করে।
ক্লাসিফিকেশন (Classification)
ক্লাসিফিকেশন হল একটি মডেল খুঁজে বের করার প্রক্রিয়া যা ডেটা ক্লাস বা কনসেপ্টকে বর্ণনা এবং ব Große পার্থক্য করে, এর লক্ষ্য হল মডেলটি ব্যবহার করে সেই অবজেক্টের ক্লাস প্রেডিক্ট করা যাদের ক্লাস লেবেল অজানা।導出 করা মডেল ট্রেনিং ডেটার একটি সেটের বিশ্লেষণের ওপর ভিত্তি করে (অর্থাৎ, ডেটা অবজেক্ট যাদের ক্লাস লেবেল পরিচিত)।
প্রতিটি টাপলকে একটি পূর্বনির্ধারিত ক্লাসের অন্তর্গত মনে করা হয়, যা অ্যাট্রিবিউটের একটি দ্বারা নির্ধারিত, যাকে ক্লাস লেবেল অ্যাট্রিবিউট বলা হয়। ক্লাসিফিকেশনের কাঠামোতে, ডেটা টাপলগুলোকেও স্যাম্পল, উদাহরণ, বা অবজেক্ট হিসেবে উপস্থাপন করা হয়। মডেল তৈরি করার জন্য বিশ্লেষণ করা ডেটা টাপলগুলো সামूहিকভাবে ট্রেনিং ডেটা সেট গঠন করে। ট্রেনিং সেট গঠনকারী প্রতিটি টাপলকে ট্রেনিং স্যাম্পল বলা হয় এবং স্যাম্পল পপুলেশন থেকে নির্বাচিত হয়।
যেহেতু প্রতিটি ট্রেনিং স্যাম্পলের ক্লাস লেবেল প্রদান করা থাকে, এই প্রক্রিয়াকেও সুপারভাইজড লার্নিং বলা হয়। আনসুপারভাইজড লার্নিং-এ, ট্রেনিং স্যাম্পলগুলোর ক্লাস লেবেল অজানা, এবং শেখা যেতে পারে এমন বিভিন্ন ক্লাস আগে থেকে জানা যায় না।
