রিগ্রেশন কি?

রিগ্রেশন একটি তত্ত্বাবধানে মেশিন লার্নিং পদ্ধতির একটি প্রকারকে সংজ্ঞায়িত করে যা যেকোনো একটানা-মূল্যবান বৈশিষ্ট্যের পূর্বাভাস দিতে ব্যবহার করা যেতে পারে। রিগ্রেশন লক্ষ্য পরিবর্তনশীল এবং ভবিষ্যদ্বাণীকারী পরিবর্তনশীল সমিতিগুলি অন্বেষণ করার জন্য কিছু ব্যবসা প্রতিষ্ঠান প্রদান করে। আর্থিক পূর্বাভাস এবং সময় সিরিজ মডেলিংয়ের জন্য ব্যবহার করা যেতে পারে এমন ডেটা অন্বেষণ করার জন্য এটি একটি অপরিহার্য হাতিয়ার৷

ডেটা একটি ফাংশনে ডেটা ফিট করে মসৃণ করা যেতে পারে, যেমন রিগ্রেশনের মাধ্যমে। রৈখিক রিগ্রেশনের মধ্যে রয়েছে দুটি বৈশিষ্ট্য (বা ভেরিয়েবল) ফিট করার জন্য "সেরা" লাইন আবিষ্কার করা যাতে একটি বৈশিষ্ট্য অন্যটির পূর্বাভাস দিতে ব্যবহার করা যেতে পারে। বেশ কিছু লিনিয়ার রিগ্রেশন হল লিনিয়ার রিগ্রেশনের একটি অগ্রগতি, যেখানে দুটির বেশি অ্যাট্রিবিউট অন্তর্ভুক্ত করা হয় এবং ডেটা একটি বহুমাত্রিক স্পেসের জন্য উপযুক্ত৷

রৈখিক রিগ্রেশনে, ডেটা একটি সরল রেখায় ফিট করার জন্য মডেল করা হয়। উদাহরণস্বরূপ, একটি র্যান্ডম ভেরিয়েবল, y (যাকে রেসপন্স ভেরিয়েবল বলা হয়), অন্য র্যান্ডম ভেরিয়েবলের রৈখিক ফাংশন হিসাবে মডেল করা যেতে পারে, x (একটি ভবিষ্যদ্বাণীকারী পরিবর্তনশীল বলা হয়), সমীকরণ y =wx+b সহ, যেখানে y এর প্রকরণ বিবেচনা করা হয় ধ্রুবক হতে।

রিগ্রেশন সমস্যাগুলি ইনপুট মানগুলিতে স্থাপন করা একটি আউটপুট মানের গণনার সাথে পরিচালনা করে। যখন শ্রেণীবিভাগের জন্য ব্যবহার করা হয়, ইনপুট মানগুলি ডাটাবেসের মান এবং আউটপুট মানগুলি ক্লাসগুলিকে উপস্থাপন করে। শ্রেণীবিন্যাস সমস্যা অন্বেষণ করতে রিগ্রেশন ব্যবহার করা যেতে পারে, তবে এটি পূর্বাভাসের মতো একাধিক অ্যাপ্লিকেশনের জন্য ব্যবহার করা যেতে পারে। রিগ্রেশনের প্রাথমিক গঠন হল সরল রৈখিক রিগ্রেশন যাতে শুধুমাত্র একটি ভবিষ্যদ্বাণী এবং একটি ভবিষ্যদ্বাণী থাকে।

রিগ্রেশন দুটি পদ্ধতি ব্যবহার করে শ্রেণীবিভাগ সম্পাদন করতে ব্যবহার করা যেতে পারে যা নিম্নরূপ -

• বিভাগ − ডেটা ক্লাসে অবস্থিত অঞ্চলে বিভক্ত।

• ভবিষ্যদ্বাণী − সূত্রগুলি আউটপুট শ্রেণীর মান অনুমান করার জন্য তৈরি করা হয়।

এই পদ্ধতিগুলি এক বা একাধিক ভবিষ্যদ্বাণীকারী (স্বাধীন) ভেরিয়েবল থেকে প্রতিক্রিয়া (নির্ভরশীল) ভেরিয়েবলের মান অনুমান করতে ব্যবহৃত হয় যেখানে ভেরিয়েবলগুলি পূর্ণসংখ্যা। রিগ্রেশনের একাধিক রূপ রয়েছে, যেমন লিনিয়ার, মাল্টিপল, ওয়েটেড, বহুপদী, ননপ্যারামেট্রিক এবং শক্তিশালী (যখন ত্রুটিগুলি স্বাভাবিক অবস্থার প্রয়োজনে ব্যর্থ হয় বা যখন ডেটাতে উল্লেখযোগ্য আউটলায়ার থাকে তখন শক্তিশালী কৌশলগুলি কার্যকর)।

রিগ্রেশন কিছু নির্ভরশীল ডেটা সেটের পূর্বাভাস দিতে পারে, যা পৃথক ভেরিয়েবলের অভিব্যক্তিতে সংজ্ঞায়িত করা হয় এবং প্রবণতা একটি নির্দিষ্ট সময়ের জন্য অ্যাক্সেসযোগ্য। রিগ্রেশন ভেরিয়েবলের ভবিষ্যদ্বাণী করার জন্য একটি ভাল পদ্ধতিকে সমর্থন করে, তবে নির্দিষ্ট সীমাবদ্ধতা এবং অনুমান যেমন ভেরিয়েবলের স্বাধীনতা, ভেরিয়েবলের অন্তর্নিহিত স্বাভাবিক বন্টন রয়েছে।

প্রতিটি রিগ্রেশন গাছের পাতা একটি ক্রমাগত-মূল্যবান ভবিষ্যদ্বাণী সঞ্চয় করে, যা পাতাকে কভার করে এমন প্রশিক্ষণ সেটের জন্য পূর্বাভাসিত বৈশিষ্ট্যের গড় খরচ। বিপরীতে, মডেল ট্রিগুলিতে, প্রতিটি পাতা একটি রিগ্রেশন মডেল এবং ভবিষ্যদ্বাণীকৃত বৈশিষ্ট্যের জন্য একটি মাল্টিভেরিয়েট ক্রমাগত সমীকরণের দিকে ঝোঁক। রিগ্রেশন এবং মডেল ট্রি রৈখিক রিগ্রেশনের চেয়ে কার্যকর হতে প্রভাবিত করে যখন ডেটা একটি সহজ রৈখিক মডেল দ্বারা ভালভাবে উপস্থাপন করা হয় না।