હાઈ ડાયમેન્શનમાં શીખવું હંમેશા એક્સટ્રાપોલેશન સમાન હોય છે
હાઈ ડાયમેન્શનલ ડેટા મશીનો કેવી રીતે શીખે છે તે બદલી નાખે છે.
મોટાભાગના મોડલ્સ ટ્રેનિંગ ડેટા પર સારી રીતે કામ કરે છે. જ્યારે તેઓ નવા પેટર્નનો સામનો કરે છે ત્યારે તેઓ નિષ્ફળ જાય છે. આ હાઈ ડાયમેન્શનને કારણે થાય છે.
હાઈ ડાયમેન્શનમાં, ડેટા પોઈન્ટ્સ એકબીજાથી ઘણા દૂર હોય છે. તમારા ડેટા પોઈન્ટ્સ વચ્ચે ખાલી જગ્યાઓ હોય છે. મોડલે આ ખાલી જગ્યાઓમાં શું થાય છે તેનો અંદાજ લગાવવો પડે છે.
આ અંદાજ લગાવવાની પ્રક્રિયા એક્સટ્રાપોલેશન છે.
જ્યારે મોડલ એક્સટ્રાપોલેશન કરે છે, ત્યારે તે ધારણાઓ કરે છે. જો તે ધારણાઓ ખોટી હોય, તો મોડલ નિષ્ફળ જાય છે.
યાદ રાખવા જેવા મુખ્ય મુદ્દાઓ:
- હાઈ ડાયમેન્શન વિશાળ ખાલી જગ્યાઓ બનાવે છે.
- આગાહી કરવા માટે મોડલ્સએ આ અંતરાલોને ભરવા પડે છે.
- આ ખાલી જગ્યાઓમાં કરવામાં આવતી આગાહીઓ એક્સટ્રાપોલેશન પર આધારિત હોય છે.
- એક્સટ્રાપોલેશનથી ભૂલો થવાનું જોખમ વધે છે.
આ સમજવાથી તમને વધુ સારા મોડલ્સ બનાવવામાં મદદ મળે છે. તમારે જાણવું જોઈએ કે તમારું મોડલ ક્યારે અંદાજ લગાવી રહ્યું છે.
સ્ત્રોત: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi