பயனுள்ள இயந்திர கற்றல் மாதிரிகளை உருவாக்கும் போது, அம்சம் தேர்வு மற்றும் பிரித்தெடுத்தல் செயல்முறை ஒரு முக்கிய பங்கு வகிக்கிறது. கணித இயந்திரக் கற்றலில், அம்சத் தேர்வு மற்றும் பிரித்தெடுத்தல் ஆகியவை கொடுக்கப்பட்ட தரவுத்தொகுப்பிலிருந்து மிகவும் பொருத்தமான மற்றும் குறிப்பிடத்தக்க அம்சங்களைத் தேர்ந்தெடுப்பதை நோக்கமாகக் கொண்ட இன்றியமையாத நுட்பங்களாகும், அல்லது முக்கியமான பண்புகளை எடுத்துக்காட்டும் தரவை புதிய பிரதிநிதித்துவமாக மாற்றுகிறது.
அம்சம் தேர்வு மற்றும் பிரித்தெடுத்தலின் முக்கியத்துவம்
குறிப்பிட்ட நுட்பங்களை ஆராய்வதற்கு முன், கணித இயந்திரக் கற்றலில் அம்சத் தேர்வு மற்றும் பிரித்தெடுத்தலின் முக்கியத்துவத்தைப் புரிந்துகொள்வது அவசியம். இந்த முறைகள் மாதிரி செயல்திறனை மேம்படுத்தவும், அதிகப்படியான பொருத்துதலைக் குறைக்கவும், பரிமாணத்தின் சாபத்தைத் தணிக்கவும் பயன்படுத்தப்படுகின்றன. கூடுதலாக, அம்சத் தேர்வு மற்றும் பிரித்தெடுத்தல் மாதிரி விளக்கத்தை மேம்படுத்துதல், கணக்கீட்டுத் தேவைகளைக் குறைத்தல் மற்றும் புதிய தரவுகளுக்கான பொதுமைப்படுத்தலை மேம்படுத்துதல் ஆகியவற்றில் உதவுகின்றன.
அம்சம் தேர்வு நுட்பங்கள்
அம்சத் தேர்வு என்பது தரவுத்தொகுப்பில் உள்ள அசல் அம்சங்களின் தொகுப்பிலிருந்து மிகவும் பொருத்தமான அம்சங்களின் துணைக்குழுவைத் தேர்ந்தெடுப்பதை உள்ளடக்குகிறது. அம்சங்களைத் தேர்ந்தெடுப்பதற்கு கணித இயந்திரக் கற்றலில் பல்வேறு நுட்பங்கள் பயன்படுத்தப்படுகின்றன:
- வடிகட்டி முறைகள்: இந்த முறைகள் தொடர்பு, பரஸ்பர தகவல் அல்லது கை-சதுர புள்ளிவிவரங்கள் போன்ற புள்ளிவிவர பண்புகளின் அடிப்படையில் அம்சங்களின் பொருத்தத்தை மதிப்பிடுகின்றன. அம்சங்கள் அவற்றின் மதிப்பெண்களின் அடிப்படையில் தரவரிசைப்படுத்தப்படுகின்றன அல்லது தேர்ந்தெடுக்கப்படுகின்றன, மேலும் மாதிரிப் பயிற்சிக்காக அம்சங்களின் துணைக்குழு தேர்ந்தெடுக்கப்படுகிறது.
- ரேப்பர் முறைகள்: ரேப்பர் முறைகளில், அம்சத் தேர்வு ஒரு தேடல் சிக்கலாகக் கருதப்படுகிறது, அங்கு ஒரு மாதிரியைப் பயிற்றுவித்து அதன் செயல்திறனை அளவிடுவதன் மூலம் அம்சங்களின் வெவ்வேறு துணைக்குழுக்கள் மதிப்பீடு செய்யப்படுகின்றன. மாடலுக்கான அம்சங்களின் சிறந்த துணைக்குழுவை அடையாளம் காண இந்த மறுசெயல்முறை உதவுகிறது.
- உட்பொதிக்கப்பட்ட முறைகள்: இந்த முறைகள் மாதிரி பயிற்சி செயல்முறையின் ஒரு பகுதியாக அம்சத் தேர்வை உள்ளடக்கியது. LASSO (LASSO (Last Absolute Shrinkage and Selection Operator) போன்ற நுட்பங்கள் மற்றும் முடிவு மர அடிப்படையிலான அம்ச முக்கியத்துவம் ஆகியவை உட்பொதிக்கப்பட்ட அம்சத் தேர்வு முறைகளுக்கு எடுத்துக்காட்டுகளாகும்.
அம்சம் பிரித்தெடுத்தல் நுட்பங்கள்
அம்சம் பிரித்தெடுத்தல் என்பது அசல் அம்சங்களை புதிய அம்சங்களாக மாற்றுவதை உள்ளடக்குகிறது, பொதுவாக குறைக்கப்பட்ட பரிமாணத்தன்மை அல்லது மேம்படுத்தப்பட்ட பிரதிநிதித்துவ சக்தியுடன். கணித இயந்திர கற்றலில் சில பொதுவான அம்சம் பிரித்தெடுக்கும் நுட்பங்கள் பின்வருமாறு:
- முதன்மை கூறு பகுப்பாய்வு (பிசிஏ): பிசிஏ என்பது நேரியல் பரிமாணத்தைக் குறைப்பதற்கான பரவலாகப் பயன்படுத்தப்படும் நுட்பமாகும். இது தரவுகளில் அதிக மாறுபாட்டைக் கைப்பற்றும் திசைகளை (முதன்மை கூறுகள்) அடையாளம் காட்டுகிறது மற்றும் அசல் அம்சங்களை இந்த கூறுகளின் மீது திட்டமிடுகிறது.
- லீனியர் டிஸ்க்ரிமினன்ட் அனாலிசிஸ் (எல்டிஏ): எல்டிஏ என்பது மேற்பார்வையிடப்பட்ட பரிமாணக் குறைப்பு நுட்பமாகும், இது பரிமாணத்தைக் குறைக்கும் அதே வேளையில் வெவ்வேறு வகை தரவுகளுக்கு இடையேயான பிரிவினையை அதிகப்படுத்துவதை நோக்கமாகக் கொண்டுள்ளது.
- t-Distributed Stochastic Neighbour Embedding (t-SNE): t-SNE என்பது ஒரு நேரியல் அல்லாத பரிமாணக் குறைப்பு நுட்பமாகும், இது உள்ளூர் கட்டமைப்பைப் பாதுகாக்கும் அதே வேளையில் குறைந்த பரிமாண இடத்தில் உயர் பரிமாணத் தரவைக் காட்சிப்படுத்துவதற்கு மிகவும் பயனுள்ளதாக இருக்கும்.
கணிதம் மற்றும் புள்ளியியல் பங்கு
கணித இயந்திரக் கற்றலில் அம்சத் தேர்வு மற்றும் பிரித்தெடுத்தல் நுட்பங்களைப் புரிந்துகொள்வதிலும் செயல்படுத்துவதிலும் கணிதம் மற்றும் புள்ளிவிவரங்கள் அடிப்படைப் பங்கு வகிக்கின்றன. கருதுகோள் சோதனை, தொடர்பு பகுப்பாய்வு மற்றும் நிகழ்தகவு விநியோகம் போன்ற புள்ளிவிவரக் கருத்துக்கள் அம்சங்களின் பொருத்தத்தை மதிப்பிடுவதற்கும் அம்சத் தேர்வுக்கான பொருத்தமான முறைகளைத் தேர்ந்தெடுப்பதற்கும் முக்கியமானவை. கூடுதலாக, PCA மற்றும் LDA போன்ற பரிமாணக் குறைப்பு முறைகளைப் புரிந்துகொள்வதற்கும் செயல்படுத்துவதற்கும் நேரியல் இயற்கணிதம் மற்றும் தேர்வுமுறை நுட்பங்கள் அவசியம்.
முடிவுரை
அம்சத் தேர்வு மற்றும் பிரித்தெடுத்தல் ஆகியவை கணித இயந்திரக் கற்றலின் இன்றியமையாத கூறுகளாகும், இது மாதிரி செயல்திறனை மேம்படுத்தவும், அதிகப்படியான பொருத்தத்தை குறைக்கவும் மற்றும் விளக்கத்தை மேம்படுத்தவும் வழிகளை வழங்குகிறது. கணிதம் மற்றும் புள்ளியியல் கோட்பாடுகளின் கலவையை மேம்படுத்துவதன் மூலம், பயிற்சியாளர்கள் இந்த நுட்பங்களை திறம்பட செயல்படுத்தி, வலுவான இயந்திர கற்றல் மாதிரிகளை உருவாக்கலாம் மற்றும் தரவுகளிலிருந்து மதிப்புமிக்க நுண்ணறிவுகளைப் பெறலாம்.