Part 5-Hindi- Decision Tree Regression Indepth Intuition With Variance Reduction|Krish Naik

Krish Naik Hindi

5 chapters5 takeaways8 key terms4 questions

Overview

यह वीडियो डिसीजन ट्री रिग्रेशन की गहराई से समझ प्रदान करता है, जो मशीन लर्निंग में निरंतर मानों की भविष्यवाणी करने के लिए उपयोग की जाने वाली एक विधि है। यह वर्गीकरण (classification) के लिए उपयोग किए जाने वाले एन्ट्रॉपी और सूचना लाभ (information gain) जैसे मापों के विपरीत, रिग्रेशन के लिए उपयोग किए जाने वाले वेरियंस रिडक्शन (variance reduction) की अवधारणा पर केंद्रित है। वीडियो बताता है कि कैसे निरंतर इनपुट सुविधाओं (continuous input features) को विभाजित किया जाता है और प्रत्येक नोड पर वेरियंस को कम करके सबसे अच्छे विभाजन का चयन कैसे किया जाता है। अंत में, यह लीफ नोड्स (leaf nodes) पर भविष्यवाणियों की गणना करने की प्रक्रिया को भी समझाता है।

How was this?

Save this permanently with flashcards, quizzes, and AI chat

Chapters

डिसीजन ट्री रिग्रेशन, मशीन लर्निंग में निरंतर आउटपुट मानों की भविष्यवाणी करने के लिए उपयोग किया जाता है।
यह वर्गीकरण (classification) समस्याओं से अलग है जहाँ आउटपुट कैटेगोरिकल होता है।
रिग्रेशन में, हम एन्ट्रॉपी या सूचना लाभ के बजाय वेरियंस रिडक्शन (variance reduction) का उपयोग करते हैं।

यह समझना महत्वपूर्ण है क्योंकि यह आपको यह जानने में मदद करता है कि डिसीजन ट्री का उपयोग केवल वर्गीकरण के लिए ही नहीं, बल्कि निरंतर मानों की भविष्यवाणी के लिए भी किया जा सकता है, जो इसे विभिन्न प्रकार की समस्याओं के लिए एक बहुमुखी उपकरण बनाता है।

एक उम्मीदवार की 'वेतन' (salary) की भविष्यवाणी करना, जहाँ 'अनुभव' (experience) और 'योग्यता' (qualification) इनपुट सुविधाएँ हैं।

वर्गीकरण के विपरीत, रिग्रेशन में निरंतर इनपुट सुविधाओं को विभाजित करने के लिए एक अलग दृष्टिकोण की आवश्यकता होती है।
निरंतर सुविधा को विभाजित करने के लिए, डेटा को पहले सॉर्ट किया जाता है।
विभाजन बिंदु (split point) दो आसन्न मानों के बीच चुना जाता है, जिससे डेटा को दो उपसमूहों में विभाजित किया जाता है।

यह जानने से कि निरंतर सुविधाओं को कैसे विभाजित किया जाता है, आप समझ सकते हैं कि डिसीजन ट्री कैसे डेटा को प्रभावी ढंग से छोटे और अधिक सजातीय (homogeneous) उपसमूहों में तोड़ता है।

अनुभव (experience) सुविधा को '2' पर विभाजित करना, जहाँ 2 या उससे कम अनुभव वाले उम्मीदवार एक तरफ और 2 से अधिक अनुभव वाले दूसरी तरफ जाते हैं।

रिग्रेशन ट्री में, विभाजन की गुणवत्ता को मापने के लिए वेरियंस रिडक्शन का उपयोग किया जाता है।
लक्ष्य प्रत्येक विभाजन पर डेटा के वेरियंस को कम करना है।
वेरियंस की गणना प्रत्येक नोड के आउटपुट मानों के औसत (mean) से विचलन (deviation) के वर्ग (square) का औसत लेकर की जाती है।

वेरियंस रिडक्शन को समझना आपको यह जानने में मदद करता है कि डिसीजन ट्री रिग्रेशन मॉडल कैसे सबसे अच्छे विभाजन का चयन करता है ताकि भविष्यवाणियां यथासंभव सटीक हों।

किसी नोड के सभी आउटपुट मानों का औसत (जैसे 50) निकालना और फिर प्रत्येक व्यक्तिगत आउटपुट मान को उस औसत से घटाकर, वर्ग करके और फिर उन वर्गों का औसत लेकर वेरियंस की गणना करना।

विभिन्न संभावित विभाजनों के लिए वेरियंस रिडक्शन की गणना की जाती है।
वह विभाजन चुना जाता है जो वेरियंस रिडक्शन को अधिकतम करता है।
यह प्रक्रिया पुनरावर्ती (recursively) रूप से तब तक जारी रहती है जब तक कि एक रोक की स्थिति (stopping condition) पूरी नहीं हो जाती।

यह प्रक्रिया सुनिश्चित करती है कि ट्री का निर्माण इस तरह से हो कि वह डेटा में पैटर्न को प्रभावी ढंग से कैप्चर करे और भविष्यवाणियों में त्रुटि को कम करे।

दो संभावित विभाजनों की तुलना करना और उस विभाजन को चुनना जो वेरियंस को सबसे अधिक कम करता है, जिससे मॉडल की सटीकता बढ़ती है।

जब ट्री का निर्माण पूरा हो जाता है, तो प्रत्येक लीफ नोड में डेटा बिंदुओं का एक सेट होता है।
एक नए डेटा बिंदु के लिए भविष्यवाणी उस लीफ नोड के सभी प्रशिक्षण डेटा बिंदुओं के आउटपुट मानों का औसत (average) होती है जिसमें वह डेटा बिंदु आता है।
यह सुनिश्चित करता है कि लीफ नोड पर भविष्यवाणी उस नोड में मौजूद डेटा का प्रतिनिधि हो।

यह समझना महत्वपूर्ण है कि अंतिम भविष्यवाणी कैसे की जाती है, क्योंकि यह बताता है कि मॉडल कैसे सीखे गए पैटर्न के आधार पर नए, अनदेखे डेटा के लिए आउटपुट उत्पन्न करता है।

यदि एक लीफ नोड में [42, 52, 66] के आउटपुट मान हैं, तो उस नोड में आने वाले किसी भी नए डेटा बिंदु के लिए भविष्यवाणी (42+52+66)/3 = 53.33 होगी।

Key takeaways

1डिसीजन ट्री रिग्रेशन निरंतर आउटपुट मानों की भविष्यवाणी करने के लिए वेरियंस रिडक्शन का उपयोग करता है।
2निरंतर सुविधाओं को विभाजित करने के लिए डेटा को सॉर्ट किया जाता है और दो आसन्न मानों के बीच एक विभाजन बिंदु चुना जाता है।
3वेरियंस रिडक्शन का उद्देश्य प्रत्येक विभाजन पर डेटा के फैलाव (spread) को कम करना है।
4सर्वश्रेष्ठ विभाजन वह होता है जो वेरियंस रिडक्शन को अधिकतम करता है।
5नए डेटा के लिए भविष्यवाणी उस लीफ नोड में प्रशिक्षण डेटा के औसत आउटपुट मान के बराबर होती है जिसमें वह डेटा बिंदु आता है।

Key terms

Decision Tree RegressionVariance ReductionContinuous FeaturesSplit PointLeaf NodeAverage PredictionInformation Gain (for comparison)Entropy (for comparison)

Test your understanding

1डिसीजन ट्री रिग्रेशन में, वर्गीकरण (classification) की तुलना में वेरियंस रिडक्शन क्यों महत्वपूर्ण है?
2निरंतर इनपुट सुविधा (continuous input feature) को डिसीजन ट्री में कैसे विभाजित किया जाता है?
3वेरियंस रिडक्शन की गणना कैसे की जाती है और इसका उद्देश्य क्या है?
4एक नए डेटा बिंदु के लिए डिसीजन ट्री रिग्रेशन में अंतिम भविष्यवाणी कैसे निर्धारित की जाती है?