ഉയർന്ന ഡൈമൻഷനുകളിലെ പഠനം എപ്പോഴും എക്സ്ട്രാപോലേഷനായി മാറുന്നു
ഉയർന്ന ഡൈമൻഷണൽ ഡാറ്റ മെഷീനുകൾ പഠിക്കുന്ന രീതിയെ മാറ്റുന്നു.
മിക്ക മോഡലുകളും ട്രെയിനിംഗ് ഡാറ്റയിൽ നന്നായി പ്രവർത്തിക്കുന്നു. എന്നാൽ പുതിയ പാറ്റേണുകൾ കാണുമ്പോൾ അവ പരാജയപ്പെടുന്നു. ഉയർന്ന ഡൈമൻഷനുകൾ കാരണമാണ് ഇത് സംഭവിക്കുന്നത്.
ഉയർന്ന ഡൈമൻഷനുകളിൽ, ഡാറ്റാ പോയിന്റുകൾ തമ്മിൽ വലിയ അകലമുണ്ടാകും. നിങ്ങളുടെ ഡാറ്റാ പോയിന്റുകൾക്കിടയിൽ ശൂന്യമായ ഇടങ്ങൾ ഉണ്ടാകുന്നു. ഈ ശൂന്യമായ ഇടങ്ങളിൽ എന്താണ് സംഭവിക്കുന്നതെന്ന് മോഡൽ ഊഹിക്കേണ്ടി വരുന്നു.
ഈ ഊഹിക്കലാണ് എക്സ്ട്രാപോലേഷൻ.
ഒരു മോഡൽ എക്സ്ട്രാപോലേറ്റ് ചെയ്യുമ്പോൾ, അത് ചില അനുമാനങ്ങൾ നടത്തുന്നു. ആ അനുമാനങ്ങൾ തെറ്റാണെങ്കിൽ, മോഡൽ പരാജയപ്പെടുന്നു.
ഓർമ്മിക്കേണ്ട പ്രധാന കാര്യങ്ങൾ:
- ഉയർന്ന ഡൈമൻഷനുകൾ വിശാലമായ ശൂന്യമായ ഇടങ്ങൾ സൃഷ്ടിക്കുന്നു.
- പ്രവചനങ്ങൾ നടത്തുന്നതിനായി മോഡലുകൾ ഈ വിടവുകൾ നികത്തേണ്ടതുണ്ട്.
- ഈ വിടവുകളിലെ പ്രവചനങ്ങൾ എക്സ്ട്രാപോലേഷനെ ആശ്രയിച്ചിരിക്കുന്നു.
- എക്സ്ട്രാപോലേഷൻ പിശകുകൾ സംഭവിക്കാനുള്ള സാധ്യത വർദ്ധിപ്പിക്കുന്നു.
ഇത് മനസ്സിലാക്കുന്നത് മികച്ച മോഡലുകൾ നിർമ്മിക്കാൻ നിങ്ങളെ സഹായിക്കും. നിങ്ങളുടെ മോഡൽ എപ്പോഴാണ് ഊഹിക്കുന്നത് എന്ന് നിങ്ങൾ അറിഞ്ഞിരിക്കണം.
സ്രോതസ്സ്: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
ഓപ്ഷണൽ ലേണിംഗ് കമ്മ്യൂണിറ്റി: https://t.me/GyaanSetuAi