उच्च आयाम में सीखना हमेशा एक्सट्रपलेशन (Extrapolation) ही होता है
उच्च-आयामी डेटा मशीनों के सीखने के तरीके को बदल देता है।
अधिकांश मॉडल ट्रेनिंग डेटा पर अच्छी तरह काम करते हैं। लेकिन जब वे नए पैटर्न का सामना करते हैं, तो वे विफल हो जाते हैं। ऐसा उच्च आयामों (high dimensions) के कारण होता है।
उच्च आयामों में, डेटा पॉइंट्स एक-दूसरे से काफी दूर होते हैं। आपके डेटा पॉइंट्स के बीच खाली स्थान मौजूद होते हैं। मॉडल को यह अनुमान लगाना पड़ता है कि इन खाली स्थानों में क्या होता है।
यह अनुमान लगाना ही एक्सट्रपलेशन है।
जब कोई मॉडल एक्सट्रपलेशन करता है, तो वह कुछ धारणाएं बनाता है। यदि वे धारणाएं गलत हैं, तो मॉडल विफल हो जाता है।
याद रखने योग्य मुख्य बातें:
- उच्च आयाम विशाल खाली स्थान पैदा करते हैं।
- भविष्यवाणियां करने के लिए मॉडलों को इन अंतरालों को भरना पड़ता है।
- इन अंतरालों में की गई भविष्यवाणियां एक्सट्रपलेशन पर निर्भर करती हैं।
- एक्सट्रपलेशन से त्रुटियों का जोखिम बढ़ जाता है।
इसे समझने से आपको बेहतर मॉडल बनाने में मदद मिलती है। आपको यह पता होना चाहिए कि आपका मॉडल कब अनुमान लगा रहा है।
Source: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
Optional learning community: https://t.me/GyaanSetuAi