உள்ளடக்கம்
கே:
கணிப்புகளுக்கு நிறுவனங்கள் சீரற்ற வன மாதிரிகளை எவ்வாறு பயன்படுத்தலாம்?
ப:
இயந்திர கற்றல் செயல்முறைகளுடன் கணிப்புகளைச் செய்வதற்காக நிறுவனங்கள் பெரும்பாலும் சீரற்ற வன மாதிரிகளைப் பயன்படுத்துகின்றன. கொடுக்கப்பட்ட தரவு தொகுப்பின் முழுமையான பகுப்பாய்வு செய்ய சீரற்ற காடு பல முடிவு மரங்களைப் பயன்படுத்துகிறது.
ஒரு பைனரி செயல்முறைக்கு ஏற்ப ஒரு குறிப்பிட்ட மாறி அல்லது மாறிகளைப் பிரிப்பதன் அடிப்படையில் ஒரு ஒற்றை முடிவு மரம் செயல்படுகிறது. எடுத்துக்காட்டாக, கார்கள் அல்லது வாகனங்களின் தொகுப்பு தொடர்பான தரவுத் தொகுப்புகளை மதிப்பிடுவதில், ஒரு ஒற்றை முடிவு மரம் ஒவ்வொரு வாகனத்தையும் எடையால் வரிசைப்படுத்தி வகைப்படுத்தலாம், அவற்றை கனமான அல்லது இலகுவான வாகனங்களாக பிரிக்கிறது.
சீரற்ற காடு முடிவு மர மாதிரியை உருவாக்குகிறது, மேலும் இது மிகவும் சிக்கலானதாக ஆக்குகிறது. சீரற்ற காடுகளைப் பற்றி வல்லுநர்கள் “சீரற்ற பாகுபாடு” அல்லது பல பரிமாண இடைவெளிகளில் பயன்படுத்தப்படும் தரவுகளின் “சீரற்ற யூகம்” முறையைப் பிரதிநிதித்துவப்படுத்துகிறார்கள். ஒரு முடிவு மரம் என்ன செய்ய முடியும் என்பதைத் தாண்டி தரவு மாதிரிகளின் பகுப்பாய்வை மேம்படுத்துவதற்கான ஒரு வழியாக சீரற்ற பாகுபாடு காணப்படுகிறது.
அடிப்படையில், ஒரு சீரற்ற காடு ஒரு குறிப்பிட்ட தரவு தொகுப்புடன் முக்கியமான மாறிகள் மீது வேலை செய்யும் பல தனிப்பட்ட முடிவு மரங்களை உருவாக்குகிறது. ஒரு முக்கிய காரணி என்னவென்றால், ஒரு சீரற்ற காட்டில், ஒவ்வொரு முடிவு மரத்தின் தரவு தொகுப்பு மற்றும் மாறி பகுப்பாய்வு பொதுவாக ஒன்றுடன் ஒன்று இருக்கும். மாதிரிக்கு இது முக்கியமானது, ஏனென்றால் சீரற்ற வன மாதிரியானது ஒவ்வொரு முடிவு மரத்திற்கும் சராசரி முடிவுகளை எடுக்கும், மேலும் அவை ஒரு எடையுள்ள முடிவிற்கு காரணியாகின்றன. சாராம்சத்தில், பகுப்பாய்வு பல்வேறு முடிவு மரங்களின் வாக்குகள் அனைத்தையும் எடுத்து உற்பத்தி மற்றும் தர்க்கரீதியான முடிவுகளை வழங்க ஒருமித்த கருத்தை உருவாக்குகிறது.
ஒரு சீரற்ற வன வழிமுறையை உற்பத்தி ரீதியாகப் பயன்படுத்துவதற்கான ஒரு எடுத்துக்காட்டு ஆர்-பிளாகர் தளத்தில் கிடைக்கிறது, அங்கு எழுத்தாளர் தேஜா கோடலி அமிலத்தன்மை, சர்க்கரை, சல்பர் டை ஆக்சைடு அளவு, பி.எச் மதிப்பு மற்றும் ஆல்கஹால் உள்ளடக்கம் போன்ற காரணிகளின் மூலம் ஒயின் தரத்தை தீர்மானிப்பதற்கான உதாரணத்தை எடுத்துக்கொள்கிறார். ஒரு சீரற்ற வன வழிமுறை ஒவ்வொரு தனி மரத்திற்கும் ஒரு சிறிய சீரற்ற அம்சங்களை எவ்வாறு பயன்படுத்துகிறது என்பதை கோடாலி விளக்குகிறார், பின்னர் அதன் விளைவாக வரும் சராசரிகளைப் பயன்படுத்துகிறார்.
இதைக் கருத்தில் கொண்டு, முன்கணிப்பு மாடலிங் செய்வதற்கு சீரற்ற வன இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்த விரும்பும் நிறுவனங்கள் முதலில் ஒரு தொகுப்பின் தயாரிப்புகளில் வேகவைக்க வேண்டிய முன்கணிப்புத் தரவை தனிமைப்படுத்தி, பின்னர் ஒரு குறிப்பிட்ட தொகுப்பைப் பயன்படுத்தி சீரற்ற வன மாதிரியில் அதைப் பயன்படுத்துகின்றன. தகவல்கள். இயந்திர கற்றல் வழிமுறைகள் அந்த பயிற்சி தரவை எடுத்து அவற்றின் அசல் நிரலாக்கத்தின் தடைகளுக்கு அப்பால் உருவாகின்றன. சீரற்ற வன மாதிரிகள் விஷயத்தில், தொழில்நுட்பம் அதன் சீரற்ற வன ஒருமித்த கருத்தை உருவாக்க அந்த தனிப்பட்ட முடிவு மரங்களைப் பயன்படுத்தி மிகவும் அதிநவீன முன்கணிப்பு முடிவுகளை உருவாக்க கற்றுக்கொள்கிறது.
இது வணிகத்திற்குப் பயன்படுத்தக்கூடிய ஒரு வழி, பல்வேறு தயாரிப்பு சொத்து மாறிகள் எடுத்து வாடிக்கையாளர் ஆர்வத்தைக் குறிக்க சீரற்ற காட்டைப் பயன்படுத்துவது. எடுத்துக்காட்டாக, வண்ணம், அளவு, ஆயுள், பெயர்வுத்திறன் அல்லது வாடிக்கையாளர்கள் ஆர்வம் காட்டிய வேறு ஏதாவது போன்ற வாடிக்கையாளர் ஆர்வக் காரணிகள் இருந்தால், அந்த பண்புகளை தரவுத் தொகுப்புகளில் ஊட்டி, மல்டிஃபாக்டருக்கு அவற்றின் தனித்துவமான தாக்கத்தின் அடிப்படையில் பகுப்பாய்வு செய்யலாம். பகுப்பாய்வு.