মেশিন লার্নিং অ্যালগরিদমগুলিকে বুস্ট করার একটি বিস্তৃত গাইড



এই ব্লগটি পুরোপুরি ফোকাস করছে মেশিন লার্নিং বুস্টিং কীভাবে কাজ করে এবং মেশিন লার্নিং মডেলগুলির দক্ষতা বাড়াতে কীভাবে এটি প্রয়োগ করা যায়।

স্বাস্থ্যসেবা, বিপণন, ব্যবসা-বাণিজ্য ইত্যাদির ক্ষেত্রে অনেক উন্নতি হওয়ায় এটি আরও উন্নত ও জটিল বিকাশের প্রয়োজনে পরিণত হয়েছে । বুস্টিং মেশিন লার্নিং এমন একটি কৌশল যা জটিল, ডেটা-চালিত, বাস্তব-বিশ্বের সমস্যাগুলি সমাধান করতে ব্যবহার করা যেতে পারে। এই ব্লগটি কীভাবে মেশিন লার্নিং বুস্টিং কাজ করে এবং মেশিন লার্নিং মডেলগুলির দক্ষতা বাড়াতে কীভাবে এটি প্রয়োগ করা যেতে পারে সে সম্পর্কে পুরোপুরি দৃষ্টি নিবদ্ধ করা হয়েছে।

কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিংয়ের গভীর-জ্ঞান পেতে, আপনি লাইভের জন্য তালিকাভুক্ত করতে পারেন 24/7 সমর্থন এবং আজীবন অ্যাক্সেস সহ এডুরেকা দ্বারা।





এখানে বিষয়গুলির একটি তালিকা রয়েছে যা coveredেকে দেওয়া হবে এই ব্লগে:

  1. বুস্টিং কেন ব্যবহার করা হয়?
  2. বুস্টিং কি?
  3. অ্যালগরিদম কীভাবে কাজ করে?
  4. বুস্টিং এর প্রকার
  5. ডেমো

বুস্টিং কেন ব্যবহার করা হয়?

বিভ্রান্ত সমস্যা সমাধানের জন্য আমাদের আরও উন্নত কৌশল প্রয়োজন require ধরা যাক, বিড়াল এবং কুকুরের চিত্রযুক্ত চিত্রের একটি ডেটা সেট দেওয়াতে, আপনাকে এমন একটি মডেল তৈরি করতে বলা হয়েছিল যা এই চিত্রগুলিকে দুটি পৃথক শ্রেণিতে শ্রেণিবদ্ধ করতে পারে। প্রতিটি অন্যান্য ব্যক্তির মতো, আপনি নীচে দেওয়া মত কিছু নিয়ম ব্যবহার করে চিত্রগুলি সনাক্ত করে শুরু করবেন:



  1. চিত্রটির কানের কান রয়েছে: বিড়াল

    ধাপে ধাপে ঝালাই টিউটোরিয়াল
  2. ছবিটিতে বিড়ালের আকার রয়েছে: বিড়াল

  3. ছবিটির বড় অঙ্গ রয়েছে: কুকুর



  4. চিত্রটি নখগুলি তীক্ষ্ণ করেছে: বিড়াল

  5. চিত্রটির মুখের বৃহত্তর কাঠামো রয়েছে: কুকুর

এই সমস্ত নিয়মাবলী আমাদের চিত্রকে একটি কুকুর বা বিড়াল কিনা তা সনাক্ত করতে সহায়তা করে, তবে আমরা যদি কোনও একক (একক) নিয়মের ভিত্তিতে কোনও চিত্র শ্রেণিবদ্ধ করি তবে ভবিষ্যদ্বাণী ত্রুটিযুক্ত হবে। এই বিধিগুলির প্রতিটি, স্বতন্ত্রভাবে দুর্বল শিখর বলা হয় কারণ এই বিধিগুলি বিড়াল বা কুকুর হিসাবে কোনও চিত্রকে শ্রেণিবদ্ধ করার পক্ষে যথেষ্ট শক্তিশালী নয়।

সুতরাং, আমাদের পূর্বাভাসটি আরও সঠিক কিনা তা নিশ্চিত করার জন্য, আমরা সংখ্যাগরিষ্ঠ নিয়ম বা ভারী গড় ব্যবহার করে এই দুর্বল শিক্ষার্থীদের প্রত্যেকের কাছ থেকে ভবিষ্যদ্বাণীটি একত্রিত করতে পারি। এটি একটি শক্তিশালী লার্নার মডেল তৈরি করে।

উপরের উদাহরণে, আমরা 5 টি দুর্বল শিখরকে সংজ্ঞায়িত করেছি এবং এই বিধিগুলির বেশিরভাগ (অর্থাত্ 5 জন শিক্ষার্থীর মধ্যে 3 চিত্রটিকে বিড়াল হিসাবে পূর্বাভাস দেয়) আমাদের ভবিষ্যদ্বাণী দেয় যে চিত্রটি একটি বিড়াল। অতএব, আমাদের চূড়ান্ত আউটপুট একটি বিড়াল।

সুতরাং এটি আমাদের প্রশ্নে নিয়ে আসে,

বুস্টিং কি?

বুস্টিং একটি জড়ো শেখার কৌশল যা মডেলটির যথার্থতা বাড়াতে দুর্বল শিক্ষার্থীদের শক্তিশালী শিক্ষার্থীদের রূপান্তর করতে মেশিন লার্নিং অ্যালগরিদমগুলির একটি সেট ব্যবহার করে।

What-Is-Boosting-Boosting-Machine-Learning-Edureka

কী বুস্ট হচ্ছে - মেশিন লার্নিং বুস্টিং - এডুরেকা

যেমন আমি উল্লেখ করেছি যে বুস্টিং একটি জড়ো শেখার পদ্ধতি, তবে জড়ো শেখা আসলে কী?

মেশিন লার্নিং এ এনসেম্বল কী?

এনসেম্বল লার্নিং এমন একটি পদ্ধতি যা বেশ কয়েকটি শিখাকে একত্রিত করে মেশিন লার্নিং মডেলের কর্মক্ষমতা বাড়ানোর জন্য ব্যবহৃত হয়। যখন একটি একক মডেলের সাথে তুলনা করা হয়, এই ধরণের শেখা উন্নত দক্ষতা এবং নির্ভুলতার সাথে মডেল তৈরি করে। নেটফ্লিক্সের সুপারিশ প্রতিযোগিতা, কাগল প্রতিযোগিতা ইত্যাদির মতো বাজারের শীর্ষস্থানীয় প্রতিযোগিতাগুলি জিততে জড়িত পদ্ধতিগুলি ঠিক এই কারণেই ব্যবহৃত হয়।

এনসেম্বল লার্নিং কী - মেশিন লার্নিং বুস্টিং - এডুরেকা

নীচে আমি বুস্টিং এবং ব্যাগিংয়ের মধ্যে পার্থক্যটিও আলোচনা করেছি।

বনাম বনগিং বুস্টিং

এনসেম্বল লার্নিং দুটি উপায়ে করা যেতে পারে:

  1. সিকোয়েন্সিয়াল এনসেম্বল, জনপ্রিয় হিসাবে পরিচিত বুস্টিং এখানে প্রশিক্ষণ পর্বের সময় দুর্বল শিক্ষার্থীরা ধারাবাহিকভাবে উত্পাদিত হয়। পূর্ববর্তী, ভুলভাবে শ্রেণিবদ্ধ নমুনাগুলিতে উচ্চতর ওজন ধার্য করে মডেলটির কর্মক্ষমতা উন্নত হয়। বুস্ট করার একটি উদাহরণ হ'ল অ্যাডাবোস্ট আলগোরিদম।

  2. সমান্তরাল সেট , জনপ্রিয় হিসাবে পরিচিত ব্যাগিং এখানে প্রশিক্ষণ পর্বের সময় দুর্বল শিক্ষার্থীরা সমান্তরালভাবে উত্পাদিত হয়। বুটস্ট্র্যাপড ডেটা সেটগুলিতে বেশ কয়েকটি দুর্বল শিখরকে সমান্তরালভাবে প্রশিক্ষণের মাধ্যমে মডেলের পারফরম্যান্স বাড়ানো যেতে পারে। ব্যাগিংয়ের উদাহরণ র্যান্ডম ফরেস্ট অ্যালগরিদম

এই ব্লগে, আমি বুস্টিং পদ্ধতিতে ফোকাস করব, সুতরাং নীচের বিভাগে আমরা বুঝতে পারি কীভাবে বুস্টিং অ্যালগরিদম কাজ করে।

অ্যালগরিদম কীভাবে কাজ করে?

বুস্টিং অ্যালগরিদমের কাজ করার পিছনে মূল নীতিটি হ'ল একাধিক দুর্বল শিক্ষার্থী তৈরি করা এবং তাদের ভবিষ্যদ্বাণীগুলি একত্রিত করে একটি শক্তিশালী নিয়ম গঠন করা। এই দুর্বল নিয়মগুলি ডেটা সেটের বিভিন্ন বিতরণে বেস মেশিন লার্নিং অ্যালগরিদম প্রয়োগ করে তৈরি করা হয়। এই অ্যালগরিদমগুলি প্রতিটি পুনরাবৃত্তির জন্য দুর্বল নিয়ম তৈরি করে। একাধিক পুনরাবৃত্তির পরে, দুর্বল শিক্ষার্থীদের একত্রিত করে একটি শক্তিশালী শিক্ষার্থী তৈরি করা হয় যা আরও সঠিক ফলাফলের পূর্বাভাস দেয়।

অ্যালগরিদম বুস্টিং কীভাবে কাজ করে - মেশিন লার্নিং বুস্টিং - এডুরেকা

এখানে কীভাবে অ্যালগরিদম কাজ করে:

ধাপ 1: বেস অ্যালগরিদম ডেটা পড়ে এবং প্রতিটি নমুনা পর্যবেক্ষণের জন্য সমান ওজন নির্ধারণ করে।

ধাপ ২: বেস লার্নার দ্বারা তৈরি মিথ্যা ভবিষ্যদ্বাণীগুলি চিহ্নিত করা হয়। পরবর্তী পুনরাবৃত্তিতে, এই ভুল ভবিষ্যদ্বাণীগুলির উপরের উচ্চতর ওজন সহ পরবর্তী বেস লার্নারকে এই মিথ্যা ভবিষ্যদ্বাণী বরাদ্দ করা হয়।

ধাপ 3: অ্যালগরিদম আউটপুটকে সঠিকভাবে শ্রেণিবদ্ধ না করা পর্যন্ত দ্বিতীয় পদক্ষেপটি পুনরাবৃত্তি করুন।

সুতরাং, বুস্টিংয়ের মূল লক্ষ্য হ'ল মিস-শ্রেণিবদ্ধ পূর্বাভাসগুলিতে আরও ফোকাস করা।

এখন যেহেতু আমরা জানি যে কীভাবে বুস্টিং অ্যালগরিদম কাজ করে, আসুন বিভিন্ন ধরণের বুস্টিং কৌশলগুলি বুঝতে পারি।

বুস্টিং এর প্রকার

তিনটি প্রধান উপায় রয়েছে যার মাধ্যমে উত্সাহ দেওয়া সম্ভব:

  1. অভিযোজিত বুস্টিং বা অ্যাডাবোস্ট

  2. গ্রেডিয়েন্ট বুস্টিং

  3. এক্সজিবিস্ট

আমি এই ধরণের প্রতিটিের পিছনে মূল বিষয়গুলি নিয়ে আলোচনা করব।

সাজানোর সিদ্ধান্ত গাছ 4 উপাদান একীভূত করুন

অভিযোজিত বুস্টিং

  • একাধিক দুর্বল শিক্ষার্থীদের একক শক্তিশালী শিক্ষার্থীর সাথে সংযুক্ত করে অ্যাডাবোস্ট প্রয়োগ করা হয়।

  • অ্যাডাবোস্টে দুর্বল শিখকরা একটি একক ইনপুট বৈশিষ্ট্য বিবেচনা করে এবং সিদ্ধান্ত স্টাম্প নামে একটি একক বিভক্ত সিদ্ধান্ত গাছ আঁকেন। প্রথম সিদ্ধান্তের স্টাম্প আঁকানোর সময় প্রতিটি পর্যবেক্ষণের সমান ওজন করা হয়।

  • প্রথম সিদ্ধান্তের স্টাম্পের ফলাফলগুলি বিশ্লেষণ করা হয় এবং যদি কোনও পর্যবেক্ষণ ভুলভাবে শ্রেণিবদ্ধ করা হয় তবে তাদের উচ্চতর ওজন দেওয়া হবে।

  • এটি পোস্ট করুন, উচ্চতর ওজন সহ পর্যবেক্ষণগুলি আরও তাত্পর্যপূর্ণ হিসাবে বিবেচনা করে একটি নতুন সিদ্ধান্তের স্টাম্প আঁকা।

  • আবার কোনও পর্যবেক্ষণ যদি ভুলভাবে শ্রেণিবদ্ধ হয় তবে তাদের উচ্চতর ওজন দেওয়া হবে এবং সমস্ত পর্যবেক্ষণগুলি সঠিক শ্রেণিতে না আসা পর্যন্ত এই প্রক্রিয়াটি চলতে থাকবে process

  • অ্যাডাবোস্ট উভয় শ্রেণিবদ্ধকরণ এবং রিগ্রেশন-ভিত্তিক সমস্যার জন্য ব্যবহার করা যেতে পারে, তবে এটি সাধারণত শ্রেণিবদ্ধকরণের উদ্দেশ্যে ব্যবহৃত হয়।

গ্রেডিয়েন্ট বুস্টিং

গ্রেডিয়েন্ট বুস্টিং সিক্যুয়ালি এনসেম্বল লার্নিংয়ের উপর ভিত্তি করে। এখানে বেস লার্নার্সটি ক্রমানুসারে এমনভাবে তৈরি করা হয় যে বর্তমানের বেস লার্নার সর্বদা আগেরটির চেয়ে বেশি কার্যকর, অর্থাৎ সামগ্রিক মডেল প্রতিটি পুনরাবৃত্তির সাথে ক্রমান্বয়ে উন্নত হয়।

এই ধরণের বুস্টিংয়ের পার্থক্যটি হ'ল ভুল শ্রেণিবদ্ধ ফলাফলগুলির ওজন বৃদ্ধি করা হয় না, পরিবর্তে গ্রেডিয়েন্ট বুস্টিং পদ্ধতিটি একটি নতুন মডেল যুক্ত করে ক্ষতিগ্রস্থতা হ্রাস করার জন্য দুর্বল শিক্ষার্থীদের যুক্ত করে পূর্ববর্তী শিক্ষার্থীর ক্ষতি ফাংশনটিকে অনুকূল করে তোলার চেষ্টা করে।

এখানে মূল ধারণাটি পূর্ববর্তী শিক্ষানবিশদের ভবিষ্যদ্বাণীগুলির ত্রুটিগুলি পরাভূত করা। এই ধরণের বুস্টিংয়ের তিনটি প্রধান উপাদান রয়েছে:

  1. ক্ষতি ফাংশন যে প্রশমিত করা প্রয়োজন।

  2. দুর্বল শিক্ষার্থী ভবিষ্যদ্বাণীগুলি গণনা এবং শক্তিশালী শিক্ষার্থী গঠনের জন্য।

  3. একটি সংযোজক মডেল এটি লোকসানের কাজটি নিয়মিত করবে ri

অ্যাডাবোস্টের মতো গ্রেডিয়েন্ট বুস্টিংও শ্রেণিবদ্ধকরণ এবং রিগ্রেশন উভয় সমস্যার জন্য ব্যবহার করা যেতে পারে।

এক্সজিবিস্ট

এক্সজিবিস্ট গ্রেডিয়েন্ট বুস্টিং পদ্ধতির একটি উন্নত সংস্করণ, এর আক্ষরিক অর্থ এক্সট্রিম গ্রেডিয়েন্ট বুস্টিং। তিয়ানকি চেন দ্বারা নির্মিত এক্সজিবিস্ট ডিস্ট্রিবিউটড মেশিন লার্নিং কমিউনিটি (ডিএমএলসি) বিভাগের অন্তর্গত।

এই অ্যালগরিদমের মূল লক্ষ্য গণনার গতি এবং দক্ষতা বৃদ্ধি করা। গ্রেডিয়েন্ট বংশোদ্ভূত বুস্টিং অ্যালগরিদম আউটপুটটিকে ধীর গতিতে গণনা করে যেহেতু তারা ক্রমান্বয়ে ডেটা সেটটি বিশ্লেষণ করে, সুতরাং এক্সজিবিস্টটি মডেলের কার্যকারিতা বাড়াতে বা চূড়ান্তভাবে ব্যবহার করতে ব্যবহৃত হয়।

এক্সজিবিস্ট - বুস্টিং মেশিন লার্নিং - এডুরেকা

এক্সজিবিস্ট কম্পিউটারের গতি এবং মডেল দক্ষতার উপর ফোকাস করার জন্য ডিজাইন করা হয়েছে। এক্সজিবিস্ট দ্বারা প্রদত্ত প্রধান বৈশিষ্ট্যগুলি হ'ল:

  • সমান্তরালভাবে সিদ্ধান্তের গাছ তৈরি করে।

  • বৃহত এবং জটিল মডেলগুলির মূল্যায়নের জন্য বিতরণ করা কম্পিউটিং পদ্ধতিগুলি কার্যকর করা।

  • বিশাল ডেটাসেট বিশ্লেষণ করতে আউট-অফ-কোর কম্পিউটার ব্যবহার করা।

  • সংস্থানগুলির সর্বোত্তম ব্যবহার করতে ক্যাশে অপ্টিমাইজেশন প্রয়োগ করা হচ্ছে।

সুতরাং এই ছিলবিভিন্ন ধরণের বুস্টিং মেশিন লার্নিং অ্যালগরিদমগুলি। বিষয়গুলি আকর্ষণীয় করে তুলতে, নীচের অংশে আমরা পাইথনে কীভাবে উত্সাহিতকরণ অ্যালগরিদমগুলি প্রয়োগ করা যেতে পারে তা দেখতে একটি ডেমো চালাব।

পাইথনে মেশিন লার্নিং বুস্টিং

একটি সংক্ষিপ্ত অস্বীকৃতি: আমি এই ডেমোটি চালাতে পাইথন ব্যবহার করব, সুতরাং যদি আপনি পাইথন না জানেন তবে আপনি নিম্নলিখিত ব্লগগুলি দেখতে পারেন:

  1. স্ক্র্যাচ থেকে পাইথন 3 কীভাবে শিখবেন - একটি শিক্ষানবিশ গাইড

এখন সময় এসেছে আপনার হাতগুলি নোংরা করা এবং কোডিং শুরু করা।

সমস্যা বিবৃতি: মাশরুমের ডেটা সেট অধ্যয়ন করতে এবং এমন একটি মেশিন লার্নিং মডেল তৈরি করতে যা মাশরুমের বৈশিষ্ট্যগুলি বিশ্লেষণ করে বিষাক্ত বা না হিসাবে শ্রেণিবদ্ধ করতে পারে।

ডেটা সেট বর্ণনা: এই ডেটা সেটটি 23 টি প্রজাতির গিল্ড মাশরুমের অনুমান অনুসারে অনুমানের নমুনার বিশদ বিবরণ সরবরাহ করে। প্রতিটি প্রজাতি ভোজ্য মাশরুম বা অ-ভোজ্য (বিষাক্ত) জাতীয় হিসাবে শ্রেণীবদ্ধ করা হয়।

যুক্তি: মাশরুম ভোজ্য কিনা তা পূর্বাভাস দেওয়ার জন্য বুস্টিং অ্যালগরিদমগুলির মধ্যে একটি ব্যবহার করে একটি মেশিন লার্নিং মডেল তৈরি করা।

জাভাতে অগভীর অনুলিপি এবং গভীর কপির মধ্যে পার্থক্য

পদক্ষেপ 1: প্রয়োজনীয় প্যাকেজগুলি আমদানি করুন

sklearn.ensemble আমদানি থেকে sklearn.preree থেকে AdaBoostClassifier আমদানি করুন sklearn.tree আমদানি থেকে LabelEncoder প্রসেসিং পিডি হিসাবে ডিসিশনট্রি ক্লাসিফায়ার আমদানি পান্ডাস স্কেলনার থেকে আমদানি ট্রেন_টেষ্ট_স্প্লিট # আমদানি স্কিরিট-আমদানি মেট্রিক্স মেট্রিক্সের জন্য আমদানি

পদক্ষেপ 2: ডেটা সেট আমদানি করুন

# ডেটা ডেটাতে লোড করুন = পিডি.ড্রেড_সিএসভি ('সি: // ইউজারসেপ্টনিলটেম্প//ডেস্কটপ//mushroomsdataset.csv')

পদক্ষেপ 3: ডেটা প্রসেসিং

# কলামের নামগুলি ডেটাसेट কোলিয়ামগুলি ব্যাখ্যা করুন = ['লক্ষ্য', 'ক্যাপ-আকৃতি', 'ক্যাপ-সারফেস', 'ক্যাপ-রঙ', 'ব্রুজস', 'গন্ধ', 'গিল-সংযুক্তি', 'গিল-স্পেসিং ',' গিল-সাইজ ',' গিল-কালার ',' ডাঁটা-শেপ ',' ডাঁট-মূল ',' ডাঁটা-পৃষ্ঠ-উপরে-রিং ',' ডাঁটা-পৃষ্ঠ-নীচে-রিং ',' ডাঁটা-রঙ -র উপরে-রিং ',' ডাঁটা-রঙের নীচে-রিং ',' ওড়না-টাইপ ',' ওড়না-রঙ ',' রিং-নম্বর ',' রিং-টাইপ ',' বীজ-প্রিন্ট-রঙ ',' জনসংখ্যা ',' আবাসস্থল '] ডেটাসেট.কোলোমগুলিতে লেবেলের জন্য: ডেটাসেট [লেবেল] = লেবেল এনকোডার ()। ফিট (ডেটাসেট [লেবেল])। রূপান্তর (ডাটাসেট [লেবেল]) # ডেটা সেট মুদ্রণ সম্পর্কিত তথ্য প্রদর্শন করুন (ডাটাবেস.ইন.ফো) ( )) Int64Index: 8124 এন্ট্রি, 6074 থেকে 686 ডেটা কলাম (মোট 23 কলাম): টার্গেট 8124 নন-নাল ইন্ট 32 ক্যাপ-শেপ 8124 নন-নুল ইন্ট 32 ক্যাপ-সারফেস 8124 নন-নুল ইন্ট 32 ক্যাপ-কালার 8124 নন-নল ইন্ট 32 টি 8124 টি আঘাত নন-নুল ইন্ট 32 গন্ধ 8124 নন-নুল ইন্ট 32 গিল-অ্যাটাচমেন্ট 8124 নন-নুল ইন্ট 32 গিল-স্পেসিং 8124 নন-নাল ইন্ট 32 গিল-সাইজ 8124 নন নল ইন্ট 32 গিল-কালার 8124 নন-নাল ইন্ট 32 ডাঁটা-আকৃতি 8124 নন-নল ইন্ট 32 ডাঁট-মূল 8124 নন-নাল ইন্ট 32 ডাঁটা-পৃষ্ঠ-উপরে-রিং 8124 নন-নাল ইন্ট 32 ডাঁটা-পৃষ্ঠ-নীচে রিং 8124 নন-নাল ইন্ট 32 ডাঁটা-রঙ-উপরে-রিং 8124 নন-নাল ইন্ট 32 ডাঁটা-রঙ-নীচে রিং 8124 নন-নল ইন্ট 32 ঘোমটা- টাইপ 8124 নন-নুল ইন্ট 32 ওড়না-রঙ 8124 নন-নুল ইন্ট 32 রিং-নাম্বার 8124 নন-নুল ইন্ট 32 রিং-টাইপ 8124 নন-নুল ইন্ট 32 বীজ-প্রিন্ট-কালার 8124 নন-নুল ইন্ট 32 জনসংখ্যা 8124 নন-নাল ইন্ট 32 বাসস্থান 8124 নন- নাল ইন্ট 32 টাইপ: ইন্ট 32 (23) মেমরির ব্যবহার: 793.4 কেবি

পদক্ষেপ 4: তথ্য বিভক্তকরণ

এক্স = ডেটাসেট.ড্রপ (['টার্গেট'], অক্ষ = 1) ওয়াই = ডেটাসেট ['টার্গেট'] এক্স_ট্রেইন, এক্স_স্টেস্ট, ওয়াই_ট্রেইন, ওয়াইস্টেস্ট = ট্রেন_স্টেটস্প্লিট (এক্স, ওয়াই, টেস্ট_সাইজ = 0.3

পদক্ষেপ 5: মডেল তৈরি করুন

মডেল = ডিসিশনট্রি ক্লাসিফায়ার (মানদণ্ড = 'এন্ট্রপি', সর্বোচ্চ_ডেপথ = 1) অ্যাডাবোস্ট = অ্যাডাবোস্ট ক্লাসিফায়ার (বেস_এসটিমেটার = মডেল, এন_স্টিমেটার = 400, শিখন_রেট = 1)

উপরের কোড স্নিপেটে, আমরা অ্যাডাবোস্ট আলগোরিদিম প্রয়োগ করেছি। ‘অ্যাডাবোস্ট ক্লাসিফায়ার’ ফাংশনটি তিনটি গুরুত্বপূর্ণ পরামিতি নেয়:

  • বেস_স্টিমেটার: বেস অনুমানকারী (দুর্বল শিক্ষানবিস) হ'ল ডিফল্টরূপে সিদ্ধান্ত গাছ
  • n_estimator: এই ক্ষেত্রটি ব্যবহার করার জন্য বেস শিখার সংখ্যা নির্দিষ্ট করে।
  • learning_rate: এই ক্ষেত্রটি শিখার হারকে নির্দিষ্ট করে, যা আমরা ডিফল্ট মানতে সেট করেছি, অর্থাত্ 1।
প্রশিক্ষণ ডেটা বুস্টমডেল = অ্যাডাবোস্ট.ফিট (এক্স_ট্রেইন, ওয়াই_ট্রেন) সহ মডেলটিকে # ফিট করুন

পদক্ষেপ।: মডেল মূল্যায়ন

# মডেলটির সঠিকতা মূল্যায়ন করুন y_pred = বুস্টমডেল.প্রিডিক্ট (এক্স_স্টেস্ট) পূর্বাভাস = মেট্রিক্স.একচুরিসি_স্কোর (ওয়াই_স্টেস্ট, ওয়াই_প্রেড) # শতাংশ মুদ্রণে নির্ভুলতার গণনা করা ('সঠিকতাটি:', পূর্বাভাস * 100, '%') নির্ভুলতা হ'ল: ১০০.০%

আমরা 100% এর নির্ভুলতা পেয়েছি যা নিখুঁত!

সুতরাং এটির সাথে আমরা এই বুস্টিং মেশিন লার্নিং ব্লগটির শেষ করছি। আপনি যদি মেশিন লার্নিং সম্পর্কে আরও জানতে চান তবে এই ব্লগগুলিকে একটি পঠন দিতে পারেন:

আপনি যদি কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিংয়ের একটি সম্পূর্ণ কোর্সে ভর্তি হতে চান, তবে এডুরেকা একটি বিশেষভাবে সজ্জিত এটি আপনাকে তদারকি করা শেখা, আনসার্পাইজড লার্নিং এবং প্রাকৃতিক ভাষা প্রক্রিয়াজাতকরণের মতো কৌশলগুলিতে দক্ষ করে তুলবে। এর মধ্যে কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং যেমন ডিপ লার্নিং, গ্রাফিকাল মডেলস এবং রিনফোর্সমেন্ট লার্নিংয়ের সর্বশেষ অগ্রগতি এবং প্রযুক্তিগত পদ্ধতির উপর প্রশিক্ষণ অন্তর্ভুক্ত রয়েছে।