সাধারণীকৃত রৈখিক মডেলগুলি তাত্ত্বিক কর্তৃত্বকে সংজ্ঞায়িত করে যার উপর শ্রেণীগত প্রতিক্রিয়া ভেরিয়েবলের মডেলিংয়ের জন্য লিনিয়ার রিগ্রেশন ব্যবহার করা যেতে পারে। সাধারণীকৃত রৈখিক মডেলগুলিতে, প্রতিক্রিয়া ভেরিয়েবলের প্রকরণ, y, y এর গড় মানের একটি ফাংশন, রৈখিক রিগ্রেশনের বিপরীতে, যেখানে y-এর প্রকরণ ধ্রুবক।
জেনারেলাইজড লিনিয়ার মডেল (GLMs) হল প্রথাগত রৈখিক মডেলের একটি সম্প্রসারণ। এই অ্যালগরিদম লগের সম্ভাবনা সর্বাধিক করে তথ্যের সাথে সাধারণ রৈখিক মডেলগুলিকে ফিট করে। ইলাস্টিক নেট পেনাল্টি প্যারামিটার নিয়মিতকরণের জন্য ব্যবহার করা যেতে পারে। মডেল ফিটিং গণনা সমান্তরাল, সম্পূর্ণ দ্রুত, এবং অ-শূন্য সহগ সহ একটি নির্দিষ্ট সংখ্যক ভবিষ্যদ্বাণী সহ মডেলগুলির জন্য সম্পূর্ণরূপে ভাল মাপকাঠি।
লজিস্টিক রিগ্রেশন এবং পয়সন রিগ্রেশনের মতো দুটি ধরণের সাধারণ রৈখিক মডেল রয়েছে। লজিস্টিক রিগ্রেশন মডেল ভবিষ্যদ্বাণীকারী ভেরিয়েবলের একটি গোষ্ঠীর একটি রৈখিক ফাংশন হিসাবে উপস্থিত বিভিন্ন ইভেন্টের সম্ভাবনা। গণনা ডেটা প্রায়শই একটি পয়সন বিতরণ প্রদর্শন করে এবং সাধারণত পয়সন রিগ্রেশন ব্যবহার করে মডেল করা হয়।
লগ-রৈখিক মডেল সঠিক বিচ্ছিন্ন বহুমাত্রিক সম্ভাব্যতা বিতরণ। এগুলি ডেটা কিউব সেল সম্পর্কিত সম্ভাব্যতার মান গণনা করতে ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, ধরুন যে শহর, আইটেম, বছর এবং বিক্রয় বৈশিষ্ট্যগুলির জন্য ডেটা দেওয়া হয়েছে। লগ-রৈখিক পদ্ধতিতে, সমস্ত বৈশিষ্ট্য শ্রেণীবদ্ধ হওয়া উচিত এবং এইভাবে ক্রমাগত-মূল্যবান বৈশিষ্ট্যগুলি (যেমন বিক্রয়) আলাদা করা উচিত।
পদ্ধতিটি প্রদত্ত বৈশিষ্ট্যগুলির জন্য 4-D বেস কিউবয়েডের প্রতিটি ঘরের সম্ভাব্যতা গণনা করতে ব্যবহার করা যেতে পারে, শহর এবং আইটেম, শহর এবং বছর, শহর এবং বিক্রয় এবং 3-ডি কিউবয়েডের জন্য 2-ডি কিউবয়েডের উপর নির্ভর করে। আইটেম, বছর এবং বিক্রয়ের জন্য। এই পদ্ধতিতে, একটি পুনরাবৃত্তিমূলক পন্থা ব্যবহার করা যেতে পারে নিম্ন-ক্রমের থেকে উচ্চ-সিরিজের ডেটা কিউব তৈরি করতে।
পদ্ধতিটি বিভিন্ন মাত্রার জন্য সক্ষম করতে ভালভাবে স্কেল করে। ভবিষ্যদ্বাণী বাদ দিয়ে, লগ-লিনিয়ার মডেলটি ডেটা কম্প্রেশনের জন্য উপকারী (কারণ ছোট-অর্ডার কিউবয়েডগুলি সাধারণত বেস কিউবয়েডের চেয়ে কম এলাকা দখল করে) এবং ডেটা স্মুথিং (কারণ ছোট-অর্ডার কিউবয়েডগুলিতে সেল গণনা করে নমুনা পরিবর্তনের তুলনায় কম নির্ভরশীল। কোষ বেস কিউবয়েডে গণনা করে।
ডিসিশন ট্রি ইনডাকশন উপযুক্ত হতে পারে যাতে ক্লাস লেবেলের পরিবর্তে ক্রমাগত (অর্ডার করা) মান অনুমান করা যায়। ভবিষ্যদ্বাণী রিগ্রেশন ট্রি এবং মডেল ট্রির জন্য দুই ধরনের গাছ রয়েছে। রিগ্রেশন ট্রিগুলিকে CART লার্নিং সিস্টেমের একটি উপাদান হিসাবে প্রস্তাব করা হয়েছিল৷
৷প্রতিটি রিগ্রেশন গাছের পাতা একটি ক্রমাগত-মূল্যবান ভবিষ্যদ্বাণী সংরক্ষণ করে, যা পাতাটি উপলব্ধিকারী প্রশিক্ষণ টিপলের জন্য পূর্বাভাসিত বৈশিষ্ট্যের গড় মান। বিপরীতে, মডেল গাছে, প্রতিটি পাতা একটি রিগ্রেশন মডেল এবং ভবিষ্যদ্বাণীকৃত বৈশিষ্ট্যের জন্য একটি মাল্টিভেরিয়েট রৈখিক সমীকরণকে প্রভাবিত করে। রিগ্রেশন এবং মডেল ট্রি রৈখিক রিগ্রেশনের চেয়ে বেশি দক্ষ হতে প্রভাবিত করে যখন ডেটা একটি সাধারণ রৈখিক মডেল দ্বারা ভালভাবে সংজ্ঞায়িত করা হয় না।
