Úvod do spätnej eliminácie
Ako človek a stroj narážajú na digitálny vývoj, rôzne strojové zariadenia sa započítavajú nielen do vyškolenia, ale aj inteligentne vyškolených, aby vyšli s lepším rozpoznaním skutočných objektov. Takáto technika predstavená skôr nazývaná „spätná eliminácia“, ktorá mala v úmysle uprednostniť nevyhnutné vlastnosti, zatiaľ čo odstránenie nevyžiadaných funkcií umožnilo dosiahnuť lepšiu optimalizáciu v stroji. Celá znalosť rozpoznávania objektov strojom je úmerná tým, čo predpokladá.
Znaky, ktoré nemajú referenciu na predpokladaný výkon, musia byť zo stroja vybité a sú ukončené spätným vylúčením. Dobrá presnosť a časová zložitosť rozpoznávania akéhokoľvek skutočného slovného objektu strojom závisí od jeho učenia. Takže spätná eliminácia hrá rigidnú úlohu pri výbere funkcií. Počíta mieru závislosti funkcií od závislej premennej a zistí význam jej príslušnosti k modelu. Ak to chce akreditovať, skontroluje vypočítanú sadzbu so štandardnou úrovňou významnosti (povedzme 0, 06) a rozhodne o výbere funkcie.
Prečo získavame spätné odstránenie ?
Zbytočné a nadbytočné vlastnosti poháňajú komplexnosť strojovej logiky. Zbytočne stráca čas a zdroje modelu. Uvedená technika teda zohráva kompetentnú úlohu pri vytváraní jednoduchého modelu. Algoritmus kultivuje najlepšiu verziu modelu optimalizáciou jeho výkonu a skrátením jeho použiteľných určených zdrojov.
Znižuje najmenšie pozoruhodné vlastnosti modelu, ktorý spôsobuje hluk pri rozhodovaní o regresnej línii. Nerelevantné vlastnosti objektov môžu spôsobiť nesprávnu klasifikáciu a predpoveď. Nerelevantné črty účtovnej jednotky môžu predstavovať nerovnováhu v modeli vzhľadom na ďalšie významné črty iných objektov. Spätná eliminácia podporuje prispôsobenie modelu najlepšiemu prípadu. Preto sa pri modeli odporúča spätná eliminácia.
Ako uplatniť spätné odstránenie?
Spätná eliminácia začína všetkými funkčnými premennými a testuje ju so závislou premennou podľa vybraného kritéria kritéria modelu. Začína odstraňovať tie premenné, ktoré zhoršujú montážnu líniu regresie. Opakovanie tohto vymazania, kým model nedosiahne dobré výsledky. Nižšie sú uvedené kroky na precvičenie spätného odstránenia:
Krok 1: Vyberte vhodnú úroveň významu, ktorá sa nachádza v modeli stroja. (Vezmite S = 0, 06)
Krok 2: Zaveďte všetky dostupné nezávislé premenné do modelu s ohľadom na závislú premennú a vypočítajte smer svahu a zastavte tak, aby ste nakreslili priamku regresie alebo líniu prispôsobenia.
Krok 3: Prejdite so všetkými nezávislými premennými, ktoré majú najvyššiu hodnotu (Take I) jeden po druhom a pokračujte s nasledujúcim prípitkom: -
a) Ak I> S, vykonajte štvrtý krok.
b) Iný spôsob prerušenia a model je dokonalý.
Krok 4: Odstráňte zvolenú premennú a zvýšte priechod.
Krok 5: Znovu kujte model a vypočítajte sklon a priesečník montážnej čiary znova so zvyškovými premennými.
Vyššie uvedené kroky sú zhrnuté v odmietnutí tých znakov, ktorých miera významnosti je vyššia ako vybraná hodnota významnosti (0, 06), aby sa zabránilo nadmernej klasifikácii a nadmernému využívaniu zdrojov, ktoré boli pozorované ako vysoká komplexnosť.
Prednosti a nedostatky spätného odstránenia
Nižšie sú podrobne uvedené niektoré výhody a nedostatky spätného odstránenia:
1. Zásluhy
Výhody spätného odstránenia sú nasledujúce:
- Rýchly tréning: Stroj je vyškolený so sadou dostupných funkcií vzoru, ktorá sa vykonáva vo veľmi krátkom čase, ak sú z modelu odstránené nepodstatné prvky. Rýchly tréning súboru údajov prichádza do obrazu iba vtedy, keď sa model zaoberá dôležitými vlastnosťami a vylučuje všetky premenné šumu. Pre školenie to predstavuje jednoduchú zložitosť. Model by sa však nemal podrobiť nedostatočnej montáži, ku ktorej dochádza z dôvodu chýbajúcich znakov alebo nedostatočných vzoriek. Vzorová funkcia by mala byť bohatá vo vzore najlepšej klasifikácie. Čas potrebný na zaškolenie modelu by mal byť menší pri zachovaní presnosti klasifikácie a mal by zostať bez premennej pod predikciou.
- Nižšia zložitosť: Zložitosť modelu je vysoká, ak model uvažuje o rozsahu prvkov vrátane šumu a nesúvisiacich prvkov. Model na spracovanie takého rozsahu funkcií spotrebuje veľa času a času. To môže zvýšiť mieru presnosti rozpoznávania vzoru, ale rýchlosť môže tiež obsahovať šum. Aby sa zbavil takej vysokej zložitosti modelu, algoritmus spätného vylučovania zohráva nevyhnutnú úlohu tým, že načíta nežiaduce prvky z modelu. Zjednodušuje logiku spracovania modelu. Iba pár základných funkcií je dostatočných na to, aby sa dobre hodili a ktoré obsahovali primeranú presnosť.
- Zlepšenie výkonu: Výkon modelu závisí od mnohých aspektov. Model prechádza optimalizáciou pomocou spätného odstránenia. Optimalizácia modelu je optimalizácia súboru údajov použitého na výcvik modelu. Výkon modelu je priamo úmerný jeho miere optimalizácie, ktorá závisí od frekvencie významných údajov. Zámerom procesu spätnej eliminácie nie je začatie zmeny žiadneho nízkofrekvenčného predikátora. Začína to však len s prechodom na vysokofrekvenčné údaje, pretože zložitosť modelu závisí predovšetkým od tejto časti.
- Obísť nadmerné prispôsobenie : Situácia nadmerného prispôsobenia nastane, keď model získa príliš veľa množín údajov a vykoná sa klasifikácia alebo predpoveď, v ktorej niektorí predikátori dostali hluk iných tried. V tomto usporiadaní mal model poskytnúť nečakane vysokú presnosť. Pri prekrývaní môže model zlyhať pri klasifikácii premennej z dôvodu nejasností vytvorených v logike z dôvodu príliš veľkého počtu podmienok. Technika spätnej eliminácie obmedzuje vonkajší znak, aby sa predišlo situácii nadmerného osadenia.
2. Nápady
Medzi znaky spätného odstránenia patria:
- Pri metóde spätnej eliminácie nie je možné zistiť, ktorý predátor je zodpovedný za odmietnutie iného predikátora z dôvodu jeho dosiahnutia do bezvýznamnosti. Napríklad, ak má prediktor X nejaký význam, ktorý bol dosť dobrý na to, aby sa nachádzal v modeli po pridaní predikátora Y. Ale význam X je zastaraný, keď do modelu vstúpi ďalší predikátor Z. Algoritmus spätného vylučovania teda nie je zrejmý o akejkoľvek závislosti medzi dvoma prediktormi, ktorá sa vyskytuje pri „technike výberu dopredu“.
- Po vyradení akejkoľvek funkcie z modelu pomocou algoritmu spätného odstránenia nie je možné túto funkciu znova vybrať. Stručne povedané, spätná eliminácia nemá flexibilný prístup na pridanie alebo odstránenie funkcií / prediktorov.
- Normy na výber hodnoty významnosti (0, 06) v modeli sú nepružné. Spätné odstránenie nemá flexibilný postup, ktorý umožňuje nielen zvoliť, ale aj zmeniť nepodstatnú hodnotu podľa potreby, aby sa dosiahlo najlepšie prispôsobenie v rámci primeraného súboru údajov.
záver
Technika spätného odstraňovania realizovaná s cieľom zlepšiť výkon modelu a optimalizovať jeho zložitosť. Živo sa používa pri viacerých regresiách, keď sa model zaoberá rozsiahlym súborom údajov. Je to ľahký a jednoduchý prístup v porovnaní s priamym výberom a krížovou validáciou, pri ktorej došlo k preťaženiu optimalizácie. Technika spätnej eliminácie iniciuje elimináciu znakov s vyššou významnosťou. Jeho základným cieľom je zmenšiť zložitosť modelu a zakázať nadmernú montáž.
Odporúčané články
Toto je príručka spätného odstránenia. Tu diskutujeme o tom, ako uplatniť spätné odstránenie spolu so zásluhami a nedostatkami. Viac informácií nájdete aj v nasledujúcich článkoch
- Hyperparameter Machine Learning
- Klastrovanie v strojovom učení
- Virtuálny stroj Java
- Strojové učenie bez dozoru