హై డైమెన్షన్లో నేర్చుకోవడం ఎల్లప్పుడూ ఎక్స్ట్రాపోలేషన్కే దారితీస్తుంది
హై డైమెన్షనల్ డేటా యంత్రాలు నేర్చుకునే విధానాన్ని మారుస్తుంది.
చాలా మోడల్స్ ట్రైనింగ్ డేటాపై బాగా పనిచేస్తాయి. కానీ కొత్త ప్యాటర్న్స్ను ఎదుర్కొన్నప్పుడు అవి విఫలమవుతాయి. ఇది హై డైమెన్షన్స్ వల్ల జరుగుతుంది.
హై డైమెన్షన్స్లో, డేటా పాయింట్లు ఒకదానికొకటి చాలా దూరంగా ఉంటాయి. మీ డేటా పాయింట్ల మధ్య ఖాళీ ప్రదేశాలు ఉంటాయి. ఈ ఖాళీ ప్రదేశాలలో ఏం జరుగుతుందో మోడల్ ఊహించాల్సి ఉంటుంది.
ఈ ఊహించడమే ఎక్స్ట్రాపోలేషన్.
ఒక మోడల్ ఎక్స్ట్రాపోలేట్ చేసినప్పుడు, అది కొన్ని ఊహలను చేస్తుంది. ఆ ఊహలు తప్పు అయితే, మోడల్ విఫలమవుతుంది.
గుర్తుంచుకోవలసిన ముఖ్య అంశాలు:
- హై డైమెన్షన్స్ విశాలమైన ఖాళీ ప్రదేశాలను సృష్టిస్తాయి.
- అంచనాలు వేయడానికి మోడల్స్ ఈ ఖాళీలను పూరించాల్సి ఉంటుంది.
- ఈ ఖాళీలలో చేసే అంచనాలు ఎక్స్ట్రాపోలేషన్పై ఆధారపడి ఉంటాయి.
- ఎక్స్ట్రాపోలేషన్ వల్ల తప్పులు జరిగే ప్రమాదం పెరుగుతుంది.
దీనిని అర్థం చేసుకోవడం మీరు మెరుగైన మోడల్స్ను నిర్మించడానికి సహాయపడుతుంది. మీ మోడల్ ఎప్పుడు ఊహలు చేస్తోందో మీరు తప్పక తెలుసుకోవాలి.
Source: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
Optional learning community: https://t.me/GyaanSetuAi