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।
রিগ্রেশন ক্লাসিফিকেশন বাস্তবায়ন করতে পারে দুটি পদ্ধতিতে:
ডিভিশন (Division): ডেটাকে ক্লাসের ওপর ভিত্তি করে অঞ্চলে ভাগ করা।
প্রেডিকশন (Prediction): আউটপুট ক্লাসের ভ্যালু প্রেডিক্ট করার ফর্মুলা তৈরি করা।
এই পদ্ধতিগুলো একটি রেসপন্স (ডিপেনডেন্ট) ভেরিয়েবলের ভ্যালু এক বা একাধিক প্রেডিক্টর (স্বতন্ত্র) ভেরিয়েবল থেকে প্রেডিক্ট করতে ব্যবহৃত হয় যেখানে ভেরিয়েবলগুলো ইন্টিজার। রিগ্রেশনের একাধিক ফর্ম রয়েছে, যেমন লিনিয়ার, মাল্টিপল, ভেরিয়েবল, পলিনোমিয়াল, ননপ্যারামেট্রিক, এবং রোবাস্ট (রোবাস্ট কৌশল তখন উপকারী যখন এরর নরম্যালিটি শর্ত মানতে ব্যর্থ হয় বা ডেটা গুরুতর আউটলায়ার ধারণ করে)।
রিগ্রেশন কিছু ডিপেনডেন্ট ডেটাসেট প্রেডিক্ট করতে পারে, স্বতন্ত্র ভেরিয়েবলের পরিভাষায় সংজ্ঞায়িত, এবং ট্রেন্ড একটি নির্দিষ্ট সময়ের জন্য উপলব্ধ। রিগ্রেশন ভেরিয়েবল প্রেডিক্ট করার একটি ভালো পদ্ধতি প্রদান করে, কিন্তু কিছু সীমাবদ্ধতা ও অনুমান রয়েছে যেমন ভেরিয়েবলগুলোর স্বাধীনতা, ভেরিয়েবলগুলোর अंतর্নিহিত নরমাল বন্টন।
প্রতিটি রিগ্রেশন ট্রি লিফ একটি কন্টিনিউয়াস-ভ্যালুড প্রেডিকশন সংরক্ষণ করে, যেটি প্রেডিক্টেড অ্যাট্রিবিউটের গড় মান ট্রেনিং সেটের জন্য যেগুলো লিফকে কভার করে। 그에 বিপরীতে, মডেল ট্রিতে, প্রতিটি লিফ একটি রিগ্রেশন মডেল এবং প্রেডিক্টেড অ্যাট্রিবিউটের জন্য একটি মাল্টিভেরিয়েট কন্টিনিউয়াস সমীকরণের দিকে প্রবণ। রিগ্রেশন এবং মডেল ট্রি লিনিয়ার রিগ্রেশনের চেয়ে বেশি কার্যকর হয় যখন ডেটা একটি সিম্পল লিনিয়ার মডেল দ্বারা ভালোভাবে উপস্থাপিত না হয়।
