26:46
Polynomial Regression | Machine Learning
CampusX
Overview
यह वीडियो पॉलीनोमियल रिग्रेशन की अवधारणा को समझाता है, जो नॉन-लीनियर डेटा के साथ काम करने के लिए एक शक्तिशाली मशीन लर्निंग तकनीक है। यह लीनियर रिग्रेशन की सीमाओं को दर्शाता है और बताता है कि कैसे पॉलीनोमियल फीचर्स को ट्रांसफॉर्म करके और फिर लीनियर रिग्रेशन मॉडल लागू करके नॉन-लीनियर रिलेशनशिप्स को कैसे मॉडल किया जा सकता है। वीडियो में सिंगल और मल्टीपल इनपुट फीचर्स दोनों के लिए पॉलीनोमियल रिग्रेशन के कार्यान्वयन को भी प्रदर्शित किया गया है, जिसमें ओवरफिटिंग की समस्या और सही डिग्री चुनने के महत्व पर जोर दिया गया है।
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- लीनियर रिग्रेशन मानता है कि इनपुट और आउटपुट के बीच एक रैखिक संबंध है।
- जब डेटा नॉन-लीनियर होता है, तो लीनियर रिग्रेशन मॉडल खराब प्रदर्शन करता है।
- नॉन-लीनियर डेटा पर लीनियर रिग्रेशन लागू करने से उच्च त्रुटि दर होती है।
यह समझना महत्वपूर्ण है कि लीनियर रिग्रेशन कब उपयुक्त नहीं है ताकि हम अधिक उन्नत तकनीकों का उपयोग कर सकें जो नॉन-लीनियर पैटर्न को पकड़ सकें।
एक नॉन-लीनियर कर्व को फिट करने के लिए एक सीधी रेखा का उपयोग करना, जो डेटा पॉइंट्स से बहुत दूर रहता है।
- पॉलीनोमियल रिग्रेशन नॉन-लीनियर डेटा को मॉडल करने के लिए इनपुट फीचर्स को पॉलीनोमियल टर्म्स में ट्रांसफॉर्म करता है।
- यह ट्रांसफॉर्मेशन डेटा को एक उच्च-आयामी स्थान में मैप करता है जहां इसे लीनियर रिग्रेशन का उपयोग करके फिट किया जा सकता है।
- पॉलीनोमियल फीचर्स में एक्स की विभिन्न घातें (जैसे x^2, x^3) शामिल हो सकती हैं।
यह तकनीक हमें जटिल, नॉन-लीनियर रिलेशनशिप्स को समझने और मॉडल करने की अनुमति देती है जो साधारण लीनियर मॉडल से परे हैं।
एक इनपुट फीचर 'x' को 'x', 'x^2' जैसे फीचर्स में बदलना।
- पॉलीनोमियल ट्रांसफॉर्मेशन के लिए `PolynomialFeatures` क्लास का उपयोग किया जाता है।
- पॉलीनोमियल की डिग्री यह निर्धारित करती है कि कितने नए फीचर्स उत्पन्न होंगे।
- ट्रांसफॉर्म किए गए फीचर्स पर लीनियर रिग्रेशन मॉडल को प्रशिक्षित किया जाता है।
यह दिखाता है कि कैसे एक साधारण नॉन-लीनियर समस्या को पॉलीनोमियल फीचर्स बनाकर लीनियर रिग्रेशन के दायरे में लाया जा सकता है।
डेटासेट बनाना जहां y = 2x^2 + 0.8x + 2, और फिर इसे पॉलीनोमियल रिग्रेशन से फिट करना।
- बहुत कम डिग्री का उपयोग करने से अंडरफिटिंग हो सकती है, जहां मॉडल डेटा को ठीक से पकड़ नहीं पाता है।
- बहुत अधिक डिग्री का उपयोग करने से ओवरफिटिंग हो सकती है, जहां मॉडल ट्रेनिंग डेटा को बहुत बारीकी से फिट करता है और नए डेटा पर खराब प्रदर्शन करता है।
- सही डिग्री का चुनाव महत्वपूर्ण है और इसे क्रॉस-वैलिडेशन जैसी तकनीकों का उपयोग करके निर्धारित किया जा सकता है।
ओवरफिटिंग से बचना महत्वपूर्ण है ताकि मॉडल नए, अनदेखे डेटा पर अच्छा प्रदर्शन कर सके और वास्तविक दुनिया की समस्याओं को हल करने में उपयोगी हो।
एक बहुत उच्च डिग्री वाले पॉलीनोमियल मॉडल का उपयोग करना जो ट्रेनिंग डेटा के हर छोटे उतार-चढ़ाव को पकड़ने की कोशिश करता है, लेकिन टेस्ट डेटा पर खराब प्रदर्शन करता है।
- जब एक से अधिक इनपुट फीचर्स होते हैं, तो पॉलीनोमियल फीचर्स में व्यक्तिगत फीचर्स की घातें और उनके इंटरैक्शन शामिल हो सकते हैं।
- उदाहरण के लिए, दो फीचर्स x और y के साथ, डिग्री 2 में x^2, y^2, और xy जैसे फीचर्स शामिल होंगे।
- मल्टीपल इनपुट फीचर्स के साथ नॉन-लीनियर डेटा को मॉडल करने के लिए लीनियर रिग्रेशन को ट्रांसफॉर्म किए गए फीचर्स पर लागू किया जाता है।
यह जटिल, मल्टी-डायमेंशनल नॉन-लीनियर रिलेशनशिप्स को मॉडल करने की क्षमता प्रदान करता है जो वास्तविक दुनिया के कई परिदृश्यों में आम हैं।
एक 3D प्लॉट जहां डेटा एक नॉन-लीनियर सतह (जैसे परवलयिक) का अनुसरण करता है, और मॉडल उस सतह को फिट करने का प्रयास करता है।
Key takeaways
- लीनियर रिग्रेशन केवल रैखिक संबंधों के लिए उपयुक्त है; नॉन-लीनियर डेटा के लिए पॉलीनोमियल रिग्रेशन आवश्यक है।
- पॉलीनोमियल रिग्रेशन फीचर्स को ट्रांसफॉर्म करके नॉन-लीनियर समस्याओं को लीनियर समस्याओं में बदल देता है।
- पॉलीनोमियल की डिग्री का चुनाव मॉडल के प्रदर्शन के लिए महत्वपूर्ण है, ओवरफिटिंग और अंडरफिटिंग से बचना चाहिए।
- ओवरफिटिंग तब होती है जब मॉडल ट्रेनिंग डेटा को बहुत बारीकी से सीखता है और नए डेटा पर सामान्यीकरण करने में विफल रहता है।
- मल्टीपल इनपुट फीचर्स के साथ, पॉलीनोमियल फीचर्स में फीचर्स के इंटरैक्शन भी शामिल हो सकते हैं।
- सही डिग्री का चयन करने के लिए अक्सर प्रयोग और क्रॉस-वैलिडेशन की आवश्यकता होती है।
Key terms
Polynomial RegressionLinear RegressionNon-linear RelationshipFeatures TransformationPolynomial FeaturesDegree of PolynomialOverfittingUnderfittingCross-validationMultiple Linear Regression
Test your understanding
- पॉलीनोमियल रिग्रेशन लीनियर रिग्रेशन से कैसे अलग है और यह कब उपयोगी है?
- पॉलीनोमियल फीचर्स कैसे उत्पन्न होते हैं और पॉलीनोमियल की डिग्री इन फीचर्स को कैसे प्रभावित करती है?
- ओवरफिटिंग क्या है और पॉलीनोमियल रिग्रेशन में इसे कैसे पहचाना और टाला जा सकता है?
- मल्टीपल इनपुट फीचर्स के साथ पॉलीनोमियल रिग्रेशन का उपयोग करने के क्या फायदे हैं?
- सही पॉलीनोमियल डिग्री चुनने के लिए किन तरीकों का इस्तेमाल किया जा सकता है?