रिग्रेशन (Regression)
रिग्रेशन एक प्रकार का सुपरवाइज्ड मशीन लर्निंग दृष्टिकोण है जिसका उपयोग किसी भी सतत-मूल्य वाले विशेषता का पूर्वानुमान लगाने के लिए किया जा सकता है। रिग्रेशन किसी व्यावसायिक संगठन को लक्ष्य चर और भविष्यवक्ता चर संबंधों का पता लगाने में सक्षम बनाता है। यह मौद्रिक पूर्वानुमान और समय श्रृंखला मॉडलिंग के लिए उपयोग किए जा सकने वाले डेटा का पता लगाने के लिए एक आवश्यक उपकरण है।
डेटा को किसी फ़ंक्शन में फिट करके स्मूथ किया जा सकता है, जैसे रिग्रेशन के साथ। रैखिक रिग्रेशन (Linear Regression) में दो विशेषताओं (या चरों) को फिट करने के लिए "सर्वश्रेष्ठ" लाइन खोजना शामिल है ताकि एक विशेषता का उपयोग दूसरे की भविष्यवाणी के लिए किया जा सके। मल्टीपल लीनियर रिग्रेशन (Multiple Linear Regression) रैखिक रिग्रेशन का एक विस्तार है, जहां दो से अधिक विशेषताएं शामिल होती हैं और डेटा को बहुआयामी स्थान में फिट किया जाता है।
रैखिक रिग्रेशन में, डेटा को एक सीधी रेखा फिट करने के लिए मॉडल किया जाता है। उदाहरण के लिए, एक रैंडम वेरिएबल, y (जिसे प्रतिक्रिया चर कहा जाता है), को दूसरे रैंडम वेरिएबल, x (जिसे भविष्यवक्ता चर कहा जाता है) के रैखिक फ़ंक्शन के रूप में मॉडल किया जा सकता है, समीकरण y = wx + b के साथ, जहां y का विचरण स्थिर माना जाता है।
रिग्रेशन मुद्दे इनपुट मूल्यों के आधार पर एक आउटपुट मान की गणना से निपटते हैं। जब वर्गीकरण के लिए उपयोग किया जाता है, तो इनपुट मूल्य डेटाबेस से मूल्य होते हैं और आउटपुट मूल्य कक्षाओं को दर्शाते हैं। रिग्रेशन का उपयोग वर्गीकरण समस्याओं का पता लगाने के लिए किया जा सकता है, लेकिन इसका उपयोग पूर्वानुमान जैसे कई अनुप्रयोगों के लिए भी किया जा सकता है। रिग्रेशन की प्राथमिक संरचना सरल रैखिक रिग्रेशन है जिसमें केवल एक भविष्यवक्ता और एक भविष्यवाणी होती है।
क्लासिफिकेशन (Classification)
क्लासिफिकेशन एक मॉडल खोजने की प्रक्रिया है जो डेटा कक्षाओं या अवधारणाओं को दर्शाता है और भेद करता है, जिसका उद्देश्य उन ऑब्जेक्ट्स की कक्षा का पूर्वानुमान लगाने के लिए मॉडल का उपयोग करने में सक्षम होना है जिनका कक्षा लेबल अज्ञात है। व्युत्पन्न मॉडल प्रशिक्षण रिकॉर्ड्स के एक समूह के विश्लेषण पर आधारित है (यानी, डेटा ऑब्जेक्ट्स जिनका कक्षा लेबल ज्ञात है)।
प्रत्येक टुपल को एक पूर्वनिर्धारित कक्षा से संबंधित माना जाता है, जैसा कि विशेषताओं में से एक द्वारा निर्धारित किया जाता है, जिसे कक्षा लेबल विशेषता कहा जाता है। क्लासिफिकेशन की संरचना में, डेटा टुपल्स को नमूने, उदाहरण, या ऑब्जेक्ट्स के रूप में दर्शाया जाता है। मॉडल बनाने के लिए विश्लेषण किए गए डेटा टुपल्स सामूहिक रूप से प्रशिक्षण डेटा सेट बनाते हैं। प्रशिक्षण सेट को बनाने वाले व्यक्तिगत टुपल्स को प्रशिक्षण नमूने के रूप में दर्शाया जाता है और नमूना आबादी से चुने जाते हैं।
चूंकि प्रत्येक प्रशिक्षण नमूने का कक्षा लेबल प्रदान किया जाता है, इस प्रक्रिया को सुपरवाइज्ड लर्निंग के रूप में भी परिभाषित किया जाता है। अनसुपरवाइज्ड लर्निंग में, जिसमें प्रशिक्षण नमूनों के कक्षा लेबल अज्ञात होते हैं, और सीखी जाने वाली विभिन्न कक्षाओं को अग्रिम में नहीं जाना जा सकता।
