ಹೆಚ್ಚಿನ ಆಯಾಮಗಳಲ್ಲಿ ಕಲಿಯುವುದು ಯಾವಾಗಲೂ ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಆಗಿಯೇ ಇರುತ್ತದೆ
ಹೆಚ್ಚಿನ ಆಯಾಮದ ದತ್ತಾಂಶವು ಯಂತ್ರಗಳು ಕಲಿಯುವ ವಿಧಾನವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.
ಹೆಚ್ಚಿನ ಮಾದರಿಗಳು ತರಬೇತಿ ದತ್ತಾಂಶದ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಆದರೆ ಅವು ಹೊಸ ಮಾದರಿಗಳನ್ನು ಎದುರಿಸಿದಾಗ ವಿಫಲವಾಗುತ್ತವೆ. ಇದು ಹೆಚ್ಚಿನ ಆಯಾಮಗಳಿಂದಾಗಿ ಸಂಭವಿಸುತ್ತದೆ.
ಹೆಚ್ಚಿನ ಆಯಾಮಗಳಲ್ಲಿ, ದತ್ತಾಂಶದ ಬಿಂದುಗಳು ಪರಸ್ಪರ ಬಹಳ ದೂರದಲ್ಲಿರುತ್ತವೆ. ನಿಮ್ಮ ದತ್ತಾಂಶದ ಬಿಂದುಗಳ ನಡುವೆ ಖಾಲಿ ಜಾಗಗಳು ಇರುತ್ತವೆ. ಈ ಖಾಲಿ ಜಾಗಗಳಲ್ಲಿ ಏನಾಗಬಹುದು ಎಂಬುದನ್ನು ಮಾದರಿಯು ಊಹಿಸಬೇಕಾಗುತ್ತದೆ.
ಈ ಊಹಿಸುವುದನ್ನೇ ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಎನ್ನಲಾಗುತ್ತದೆ.
ಒಂದು ಮಾದರಿಯು ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಟ್ ಮಾಡಿದಾಗ, ಅದು ಕೆಲವು ಕಲ್ಪನೆಗಳನ್ನು ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ. ಆ ಕಲ್ಪನೆಗಳು ತಪ್ಪಾಗಿದ್ದರೆ, ಮಾದರಿಯು ವಿಫಲವಾಗುತ್ತದೆ.
ನೆನಪಿಡಬೇಕಾದ ಪ್ರಮುಖ ಅಂಶಗಳು:
- ಹೆಚ್ಚಿನ ಆಯಾಮಗಳು ವಿಶಾಲವಾದ ಖಾಲಿ ಜಾಗಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ.
- ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡಲು ಮಾದರಿಗಳು ಈ ಅಂತರಗಳನ್ನು ತುಂಬಲೇಬೇಕು.
- ಈ ಅಂತರಗಳಲ್ಲಿನ ಮುನ್ಸೂಚನೆಗಳು ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತವೆ.
- ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ತಪ್ಪುಗಳ ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಇದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಉತ್ತಮ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಿಮ್ಮ ಮಾದರಿಯು ಯಾವಾಗ ಊಹಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ನೀವು ತಿಳಿದಿರಬೇಕು.
ಮೂಲ: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi