அம்சத் தேர்வு: பரிமாணக் குறைப்புக்கான ஒரு விரிவான வழிகாட்டி

இயந்திர கற்றல் மற்றும் தரவு அறிவியல் துறையில், தரவுத்தொகுப்புகள் பெரும்பாலும் அதிக எண்ணிக்கையிலான அம்சங்கள் அல்லது பரிமாணங்களால் வகைப்படுத்தப்படுகின்றன. அதிக தரவுகளைக் கொண்டிருப்பது நன்மை பயப்பதாகத் தோன்றினாலும், அதிகப்படியான அம்சங்கள் அதிகரித்த கணினிச் செலவு, ஓவர்ஃபிட்டிங் மற்றும் மாதிரியின் விளக்கத்திறன் குறைதல் உள்ளிட்ட பல சிக்கல்களுக்கு வழிவகுக்கும். அம்சத் தேர்வு, இயந்திர கற்றல் செயல்முறையின் ஒரு முக்கியமான படியாகும். இது ஒரு தரவுத்தொகுப்பிலிருந்து மிகவும் பொருத்தமான அம்சங்களை அடையாளம் கண்டு தேர்ந்தெடுப்பதன் மூலம் இந்த சவால்களை எதிர்கொள்கிறது, அதன் பரிமாணத்தை திறம்பட குறைக்கிறது. இந்த வழிகாட்டி அம்சத் தேர்வு நுட்பங்கள், அவற்றின் நன்மைகள் மற்றும் செயல்படுத்துவதற்கான நடைமுறைப் பரிசீலனைகள் பற்றிய விரிவான கண்ணோட்டத்தை வழங்குகிறது.

அம்சத் தேர்வு ஏன் முக்கியமானது?

அம்சத் தேர்வின் முக்கியத்துவம் இயந்திர கற்றல் மாதிரிகளின் செயல்திறன் மற்றும் செயல்திறனை மேம்படுத்தும் திறனிலிருந்து உருவாகிறது. முக்கிய நன்மைகளைப் பற்றிய ஒரு நெருக்கமான பார்வை இங்கே:

• மேம்படுத்தப்பட்ட மாதிரி துல்லியம்: பொருத்தமற்ற அல்லது தேவையற்ற அம்சங்களை அகற்றுவதன் மூலம், அம்சத் தேர்வு தரவில் உள்ள இரைச்சலைக் குறைத்து, மிகவும் தகவல் தரும் கணிப்பான்களில் கவனம் செலுத்த மாதிரியை அனுமதிக்கிறது. இது பெரும்பாலும் மேம்பட்ட துல்லியம் மற்றும் பொதுமைப்படுத்தல் செயல்திறனுக்கு வழிவகுக்கிறது.
• ஓவர்ஃபிட்டிங் குறைக்கப்பட்டது: உயர்-பரிமாண தரவுத்தொகுப்புகள் ஓவர்ஃபிட்டிங்கிற்கு அதிக வாய்ப்புள்ளது, அங்கு மாதிரி பயிற்சித் தரவை மிக நன்றாகக் கற்றுக்கொண்டு, காணப்படாத தரவுகளில் மோசமாக செயல்படுகிறது. அம்சத் தேர்வு மாதிரியை எளிதாக்குவதன் மூலமும் அதன் சிக்கலைக் குறைப்பதன் மூலமும் இந்த அபாயத்தைக் குறைக்கிறது.
• வேகமான பயிற்சி நேரங்கள்: குறைக்கப்பட்ட அம்சத் தொகுப்பில் ஒரு மாதிரியைப் பயிற்றுவிக்க குறைந்த கணினி சக்தி மற்றும் நேரம் தேவைப்படுகிறது, இது மாதிரி மேம்பாட்டு செயல்முறையை மிகவும் திறமையானதாக ஆக்குகிறது. பெரிய தரவுத்தொகுப்புகளைக் கையாளும்போது இது மிகவும் முக்கியமானது.
• மேம்படுத்தப்பட்ட மாதிரி விளக்கத்திறன்: குறைவான அம்சங்களைக் கொண்ட ஒரு மாதிரியைப் புரிந்துகொள்வதும் விளக்குவதும் எளிதானது, இது தரவில் உள்ள அடிப்படை உறவுகள் பற்றிய மதிப்புமிக்க நுண்ணறிவுகளை வழங்குகிறது. சுகாதாரம் அல்லது நிதி போன்ற விளக்கத்திறன் முக்கியமான பயன்பாடுகளில் இது மிகவும் முக்கியமானது.
• தரவு சேமிப்புக் குறைப்பு: சிறிய தரவுத்தொகுப்புகளுக்கு குறைந்த சேமிப்பு இடம் தேவைப்படுகிறது, இது பெரிய அளவிலான பயன்பாடுகளுக்கு குறிப்பிடத்தக்கதாக இருக்கும்.

அம்சத் தேர்வு நுட்பங்களின் வகைகள்

அம்சத் தேர்வு நுட்பங்களை பரவலாக மூன்று முக்கிய வகைகளாக வகைப்படுத்தலாம்:

1. வடிகட்டி முறைகள் (Filter Methods)

வடிகட்டி முறைகள் எந்தவொரு குறிப்பிட்ட இயந்திர கற்றல் வழிமுறையையும் சாராமல், புள்ளிவிவர அளவுகள் மற்றும் மதிப்பெண் செயல்பாடுகளின் அடிப்படையில் அம்சங்களின் பொருத்தத்தை மதிப்பிடுகின்றன. அவை அம்சங்களை அவற்றின் தனிப்பட்ட குணாதிசயங்களின் அடிப்படையில் வரிசைப்படுத்தி, முதல் தரவரிசையில் உள்ள அம்சங்களைத் தேர்ந்தெடுக்கின்றன. வடிகட்டி முறைகள் கணினி ரீதியாக திறமையானவை மற்றும் மாதிரிப் பயிற்சிக்கு முன் ஒரு முன் செயலாக்கப் படியாகப் பயன்படுத்தப்படலாம்.

பொதுவான வடிகட்டி முறைகள்:

• தகவல் ஆதாயம் (Information Gain): ஒரு அம்சத்தைக் கவனித்த பிறகு, இலக்கு மாறி பற்றிய குழப்பம் அல்லது நிச்சயமற்ற தன்மையின் குறைவை அளவிடுகிறது. அதிக தகவல் ஆதாயம் மிகவும் பொருத்தமான அம்சத்தைக் குறிக்கிறது. இது பொதுவாக வகைப்பாடு சிக்கல்களுக்குப் பயன்படுத்தப்படுகிறது.
• கை-ஸ்கொயர் சோதனை (Chi-Square Test): ஒரு அம்சம் மற்றும் இலக்கு மாறிக்கு இடையே உள்ள புள்ளிவிவர சுதந்திரத்தை மதிப்பிடுகிறது. அதிக கை-ஸ்கொயர் மதிப்புகளைக் கொண்ட அம்சங்கள் மிகவும் பொருத்தமானவையாகக் கருதப்படுகின்றன. இது வகை அம்சங்கள் மற்றும் இலக்கு மாறிகளுக்கு ஏற்றது.
• ANOVA (மாறுபாட்டின் பகுப்பாய்வு): இரண்டு அல்லது அதற்கு மேற்பட்ட குழுக்களின் சராசரிகளை ஒப்பிட்டு ஒரு குறிப்பிடத்தக்க வேறுபாடு உள்ளதா என்பதைத் தீர்மானிக்கும் ஒரு புள்ளிவிவரச் சோதனை. அம்சத் தேர்வில், ஒரு எண் அம்சம் மற்றும் ஒரு வகை இலக்கு மாறிக்கு இடையிலான உறவை மதிப்பிடுவதற்கு ANOVA பயன்படுத்தப்படலாம்.
• மாறுபாடு வரம்பு (Variance Threshold): குறைந்த மாறுபாடு கொண்ட அம்சங்களை நீக்குகிறது, இது சிறிய மாறுபாடு கொண்ட அம்சங்கள் குறைவான தகவல்களைத் தருகின்றன என்று கருதுகிறது. இது நிலையான அல்லது gần-நிலையான அம்சங்களை அகற்றுவதற்கான எளிய ஆனால் பயனுள்ள முறையாகும்.
• தொடர்பு குணகம் (Correlation Coefficient): இரண்டு அம்சங்களுக்கு இடையே அல்லது ஒரு அம்சம் மற்றும் இலக்கு மாறிக்கு இடையே உள்ள நேரியல் உறவை அளவிடுகிறது. இலக்கு மாறியுடன் அதிக தொடர்பு உள்ள அம்சங்கள் மிகவும் பொருத்தமானவையாகக் கருதப்படுகின்றன. இருப்பினும், தொடர்பு என்பது காரணத்தைக் குறிக்காது என்பதைக் கவனத்தில் கொள்ள வேண்டும். ஒன்றுக்கொன்று அதிக தொடர்பு உள்ள அம்சங்களை அகற்றுவது பன்முகத்தன்மையையும் தடுக்கலாம்.

உதாரணம்: வாடிக்கையாளர் வெளியேற்றக் கணிப்பில் தகவல் ஆதாயம்

ஒரு தொலைத்தொடர்பு நிறுவனம் வாடிக்கையாளர் வெளியேற்றத்தை கணிக்க விரும்புகிறது என்று கற்பனை செய்து பாருங்கள். அவர்களிடம் வயது, ஒப்பந்தத்தின் நீளம், மாதாந்திர கட்டணங்கள் மற்றும் தரவுப் பயன்பாடு போன்ற வாடிக்கையாளர்களைப் பற்றிய பல்வேறு அம்சங்கள் உள்ளன. தகவல் ஆதாயத்தைப் பயன்படுத்தி, எந்த அம்சங்கள் வெளியேற்றத்தை மிகவும் கணிக்கும் என்பதை அவர்களால் தீர்மானிக்க முடியும். உதாரணமாக, ஒப்பந்த நீளம் அதிக தகவல் ஆதாயத்தைக் கொண்டிருந்தால், குறுகிய ஒப்பந்தங்களைக் கொண்ட வாடிக்கையாளர்கள் வெளியேறும் வாய்ப்பு அதிகம் என்பதை இது சுட்டிக்காட்டுகிறது. இந்தத் தகவலைப் பின்னர் மாதிரிப் பயிற்சிக்கான அம்சங்களுக்கு முன்னுரிமை அளிக்கவும், வெளியேற்றத்தைக் குறைக்க இலக்கு வைக்கப்பட்ட தலையீடுகளை உருவாக்கவும் பயன்படுத்தலாம்.

2. உறை முறைகள் (Wrapper Methods)

உறை முறைகள் ஒவ்வொரு துணைக்குழுவிலும் ஒரு குறிப்பிட்ட இயந்திர கற்றல் வழிமுறையைப் பயிற்றுவித்து மதிப்பிடுவதன் மூலம் அம்சங்களின் துணைக்குழுக்களை மதிப்பீடு செய்கின்றன. அவை அம்ச வெளியை ஆராய்ந்து, தேர்ந்தெடுக்கப்பட்ட மதிப்பீட்டு அளவீட்டின்படி சிறந்த செயல்திறனை வழங்கும் துணைக்குழுவைத் தேர்ந்தெடுக்க ஒரு தேடல் உத்தியைப் பயன்படுத்துகின்றன. உறை முறைகள் பொதுவாக வடிகட்டி முறைகளை விட கணினி ரீதியாக அதிக விலை கொண்டவை, ஆனால் பெரும்பாலும் சிறந்த முடிவுகளை அடைய முடியும்.

பொதுவான உறை முறைகள்:

• முன்னோக்கியத் தேர்வு (Forward Selection): அம்சங்களின் வெற்றுத் தொகுப்புடன் தொடங்கி, ஒரு நிறுத்தும் நிபந்தனையை அடையும் வரை மிகவும் நம்பிக்கைக்குரிய அம்சத்தை மீண்டும் மீண்டும் சேர்க்கிறது.
• பின்னோக்கிய நீக்கம் (Backward Elimination): அனைத்து அம்சங்களுடனும் தொடங்கி, ஒரு நிறுத்தும் நிபந்தனையை அடையும் வரை மிகவும் நம்பிக்கையற்ற அம்சத்தை மீண்டும் மீண்டும் நீக்குகிறது.
• மீள்வரும் அம்ச நீக்கம் (RFE): மீண்டும் மீண்டும் ஒரு மாதிரியைப் பயிற்றுவித்து, மாதிரியின் குணகங்கள் அல்லது அம்ச முக்கியத்துவ மதிப்பெண்களின் அடிப்படையில் மிகக் குறைந்த முக்கியத்துவம் வாய்ந்த அம்சங்களை நீக்குகிறது. இந்த செயல்முறை விரும்பிய எண்ணிக்கையிலான அம்சங்களை அடையும் வரை தொடர்கிறது.
• தொடர் அம்சத் தேர்வு (SFS): முன்னோக்கியத் தேர்வு மற்றும் பின்னோக்கிய நீக்கம் ஆகிய இரண்டையும் உள்ளடக்கிய ஒரு பொதுவான கட்டமைப்பு. இது தேடல் செயல்பாட்டில் அதிக நெகிழ்வுத்தன்மையை அனுமதிக்கிறது.

உதாரணம்: கடன் இடர் மதிப்பீட்டில் மீள்வரும் அம்ச நீக்கம்

ஒரு நிதி நிறுவனம் கடன் விண்ணப்பதாரர்களின் கடன் அபாயத்தை மதிப்பிடுவதற்கு ஒரு மாதிரியை உருவாக்க விரும்புகிறது. விண்ணப்பதாரரின் நிதி வரலாறு, மக்கள்தொகை மற்றும் கடன் குணாதிசயங்கள் தொடர்பான அதிக எண்ணிக்கையிலான அம்சங்கள் அவர்களிடம் உள்ளன. ஒரு லாஜிஸ்டிக் ரெக்ரஷன் மாதிரியுடன் RFE-ஐப் பயன்படுத்தி, மாதிரியின் குணகங்களின் அடிப்படையில் மிகக் குறைந்த முக்கியத்துவம் வாய்ந்த அம்சங்களை அவர்களால் படிப்படியாக அகற்ற முடியும். இந்த செயல்முறை கடன் அபாயத்திற்கு பங்களிக்கும் மிக முக்கியமான காரணிகளை அடையாளம் காண உதவுகிறது, இது மிகவும் துல்லியமான மற்றும் திறமையான கடன் மதிப்பீட்டு மாதிரிக்கு வழிவகுக்கிறது.

3. உட்பொதிந்த முறைகள் (Embedded Methods)

உட்பொதிந்த முறைகள் மாதிரிப் பயிற்சி செயல்முறையின் ஒரு பகுதியாக அம்சத் தேர்வைச் செய்கின்றன. இந்த முறைகள் அம்சத் தேர்வை நேரடியாக கற்றல் வழிமுறையில் இணைத்து, மாதிரியின் உள் வழிமுறைகளைப் பயன்படுத்தி தொடர்புடைய அம்சங்களை அடையாளம் கண்டு தேர்ந்தெடுக்கின்றன. உட்பொதிந்த முறைகள் கணினி செயல்திறன் மற்றும் மாதிரி செயல்திறனுக்கு இடையில் ஒரு நல்ல சமநிலையை வழங்குகின்றன.

பொதுவான உட்பொதிந்த முறைகள்:

• லாஸ்ஸோ (LASSO - Least Absolute Shrinkage and Selection Operator): ஒரு நேரியல் பின்னடைவு நுட்பம், இது மாதிரியின் குணகங்களுக்கு ஒரு அபராதச் சொல்லைச் சேர்த்து, சில குணகங்களை பூஜ்ஜியத்திற்குச் சுருக்குகிறது. இது பூஜ்ஜிய குணகங்களைக் கொண்ட அம்சங்களை நீக்குவதன் மூலம் அம்சத் தேர்வை திறம்பட செய்கிறது.
• ரிட்ஜ் ரெக்ரஷன் (Ridge Regression): லாஸ்ஸோவைப் போலவே, ரிட்ஜ் ரெக்ரஷன் மாதிரியின் குணகங்களுக்கு ஒரு அபராதச் சொல்லைச் சேர்க்கிறது, ஆனால் குணகங்களை பூஜ்ஜியத்திற்குச் சுருக்குவதற்குப் பதிலாக, அது அவற்றின் அளவைக் குறைக்கிறது. இது ஓவர்ஃபிட்டிங்கைத் தடுக்கவும், மாதிரி நிலைத்தன்மையை மேம்படுத்தவும் உதவும்.
• தீர்மான மரம் சார்ந்த முறைகள் (Decision Tree-based Methods): டெசிஷன் ட்ரீஸ் மற்றும் ரேண்டம் ஃபாரஸ்ட்ஸ் மற்றும் கிரேடியன்ட் பூஸ்டிங் போன்ற குழும முறைகள், மரக் கணுக்களின் தூய்மையைக் குறைப்பதில் ஒவ்வொரு அம்சமும் எவ்வளவு பங்களிக்கிறது என்பதன் அடிப்படையில் அம்ச முக்கியத்துவ மதிப்பெண்களை வழங்குகின்றன. இந்த மதிப்பெண்களை அம்சங்களை வரிசைப்படுத்தவும், மிக முக்கியமானவற்றைத் தேர்ந்தெடுக்கவும் பயன்படுத்தலாம்.

உதாரணம்: மரபணு வெளிப்பாடு பகுப்பாய்வில் லாஸ்ஸோ ரெக்ரஷன்

மரபணுவியலில், ஆராய்ச்சியாளர்கள் ஒரு குறிப்பிட்ட நோய் அல்லது நிலையுடன் தொடர்புடைய மரபணுக்களை அடையாளம் காண மரபணு வெளிப்பாடு தரவை அடிக்கடி பகுப்பாய்வு செய்கிறார்கள். மரபணு வெளிப்பாடு தரவு பொதுவாக அதிக எண்ணிக்கையிலான அம்சங்களையும் (மரபணுக்கள்) மற்றும் ஒப்பீட்டளவில் சிறிய எண்ணிக்கையிலான மாதிரிகளையும் கொண்டுள்ளது. லாஸ்ஸோ ரெக்ரஷன், விளைவைக் கணிக்கும் மிகவும் பொருத்தமான மரபணுக்களை அடையாளம் காண பயன்படுத்தப்படலாம், இது தரவின் பரிமாணத்தை திறம்பட குறைத்து முடிவுகளின் விளக்கத்திறனை மேம்படுத்துகிறது.

அம்சத் தேர்வுக்கான நடைமுறைப் பரிசீலனைகள்

அம்சத் தேர்வு பல நன்மைகளை வழங்கினாலும், அதன் திறமையான செயலாக்கத்தை உறுதிப்படுத்த பல நடைமுறை அம்சங்களைக் கருத்தில் கொள்வது அவசியம்:

• தரவு முன் செயலாக்கம்: அம்சத் தேர்வு நுட்பங்களைப் பயன்படுத்துவதற்கு முன், விடுபட்ட மதிப்புகளைக் கையாளுதல், அம்சங்களை அளவிடுதல் மற்றும் வகை மாறிகளை குறியாக்கம் செய்தல் ஆகியவற்றின் மூலம் தரவை முன் செயலாக்கம் செய்வது முக்கியம். இது அம்சத் தேர்வு முறைகள் சுத்தமான மற்றும் சீரான தரவுகளில் பயன்படுத்தப்படுவதை உறுதி செய்கிறது.
• அம்ச அளவிடுதல்: தூர அளவீடுகள் அல்லது ஒழுங்குமுறையை அடிப்படையாகக் கொண்ட சில அம்சத் தேர்வு முறைகள், அம்ச அளவிடுதலுக்கு உணர்திறன் கொண்டவை. சார்பு முடிவுகளைத் தவிர்க்க இந்த முறைகளைப் பயன்படுத்துவதற்கு முன்பு அம்சங்களை சரியான முறையில் அளவிடுவது முக்கியம். பொதுவான அளவிடுதல் நுட்பங்களில் தரப்படுத்தல் (Z-ஸ்கோர் இயல்பாக்கம்) மற்றும் குறைந்தபட்ச-அதிகபட்ச அளவிடுதல் ஆகியவை அடங்கும்.
• மதிப்பீட்டு அளவீட்டின் தேர்வு: மதிப்பீட்டு அளவீட்டின் தேர்வு குறிப்பிட்ட இயந்திர கற்றல் பணி மற்றும் விரும்பிய விளைவைப் பொறுத்தது. வகைப்பாடு சிக்கல்களுக்கு, பொதுவான அளவீடுகளில் துல்லியம், துல்லியம், நினைவு, F1-மதிப்பெண் மற்றும் AUC ஆகியவை அடங்கும். பின்னடைவுச் சிக்கல்களுக்கு, பொதுவான அளவீடுகளில் சராசரி வர்க்கப் பிழை (MSE), சராசரி வர்க்க மூலப் பிழை (RMSE) மற்றும் R-ஸ்கொயர் ஆகியவை அடங்கும்.
• குறுக்கு சரிபார்ப்பு: தேர்ந்தெடுக்கப்பட்ட அம்சங்கள் காணப்படாத தரவுகளுக்கு நன்றாகப் பொதுமைப்படுத்துவதை உறுதிசெய்ய, குறுக்கு சரிபார்ப்பு நுட்பங்களைப் பயன்படுத்துவது அவசியம். குறுக்கு சரிபார்ப்பு என்பது தரவை பல மடிப்புகளாகப் பிரித்து, வெவ்வேறு மடிப்புகளின் கலவைகளில் மாதிரியைப் பயிற்றுவித்து மதிப்பிடுவதை உள்ளடக்கியது. இது மாதிரியின் செயல்திறனின் மிகவும் வலுவான மதிப்பீட்டை வழங்குகிறது மற்றும் ஓவர்ஃபிட்டிங்கைத் தடுக்க உதவுகிறது.
• துறை அறிவு: துறை அறிவை இணைப்பது அம்சத் தேர்வின் செயல்திறனை கணிசமாக மேம்படுத்தும். தரவில் உள்ள அடிப்படை உறவுகள் மற்றும் வெவ்வேறு அம்சங்களின் பொருத்தத்தைப் புரிந்துகொள்வது தேர்வு செயல்முறைக்கு வழிகாட்டி சிறந்த முடிவுகளுக்கு வழிவகுக்கும்.
• கணினிச் செலவு: அம்சத் தேர்வு முறைகளின் கணினிச் செலவு கணிசமாக மாறுபடும். வடிகட்டி முறைகள் பொதுவாக மிகவும் திறமையானவை, அதே சமயம் உறை முறைகள் கணினி ரீதியாக விலை உயர்ந்ததாக இருக்கும், குறிப்பாக பெரிய தரவுத்தொகுப்புகளுக்கு. ஒரு அம்சத் தேர்வு முறையைத் தேர்ந்தெடுக்கும்போது கணினிச் செலவைக் கருத்தில் கொள்வதும், உகந்த செயல்திறனுக்கான விருப்பத்தை கிடைக்கக்கூடிய வளங்களுடன் சமநிலைப்படுத்துவதும் முக்கியம்.
• தொடர் செயல்முறை: அம்சத் தேர்வு பெரும்பாலும் ஒரு தொடர் செயல்முறையாகும். ஒரு குறிப்பிட்ட பணிக்கு உகந்த அம்சத் துணைக்குழுவைக் கண்டறிய வெவ்வேறு அம்சத் தேர்வு முறைகள், மதிப்பீட்டு அளவீடுகள் மற்றும் அளவுருக்களுடன் பரிசோதனை செய்வது அவசியமாக இருக்கலாம்.

மேம்பட்ட அம்சத் தேர்வு நுட்பங்கள்

வடிகட்டி, உறை மற்றும் உட்பொதிந்த முறைகளின் அடிப்படை வகைகளைத் தாண்டி, பல மேம்பட்ட நுட்பங்கள் அம்சத் தேர்வுக்கு மிகவும் அதிநவீன அணுகுமுறைகளை வழங்குகின்றன:

• ஒழுங்குமுறை நுட்பங்கள் (L1 மற்றும் L2): லாஸ்ஸோ (L1 ஒழுங்குமுறை) மற்றும் ரிட்ஜ் ரெக்ரஷன் (L2 ஒழுங்குமுறை) போன்ற நுட்பங்கள் குறைவான முக்கியத்துவம் வாய்ந்த அம்சக் குணகங்களை பூஜ்ஜியத்தை நோக்கி சுருக்குவதில் பயனுள்ளதாக இருக்கும், இது அம்சத் தேர்வை திறம்பட செய்கிறது. L1 ஒழுங்குமுறை αραι 모델களுக்கு (பல பூஜ்ஜிய குணகங்களைக் கொண்ட மாதிரிகள்) வழிவகுக்க வாய்ப்புள்ளது, இது அம்சத் தேர்வுக்கு ஏற்றதாக அமைகிறது.
• மரம் சார்ந்த முறைகள் (ரேண்டம் ஃபாரஸ்ட், கிரேடியன்ட் பூஸ்டிங்): மரம் சார்ந்த வழிமுறைகள் அவற்றின் பயிற்சி செயல்முறையின் ஒரு பகுதியாக இயற்கையாகவே அம்ச முக்கியத்துவ மதிப்பெண்களை வழங்குகின்றன. மரக் கட்டுமானத்தில் அடிக்கடி பயன்படுத்தப்படும் அம்சங்கள் மிகவும் முக்கியமானதாகக் கருதப்படுகின்றன. இந்த மதிப்பெண்களை அம்சத் தேர்வுக்குப் பயன்படுத்தலாம்.
• மரபணு வழிமுறைகள்: மரபணு வழிமுறைகளை ஒரு தேடல் உத்தியாகப் பயன்படுத்தி அம்சங்களின் உகந்த துணைக்குழுவைக் கண்டறியலாம். அவை இயற்கை தேர்வின் செயல்முறையைப் பின்பற்றுகின்றன, திருப்திகரமான தீர்வு கிடைக்கும் வரை அம்ச துணைக்குழுக்களின் ஒரு கூட்டத்தை மீண்டும் மீண்டும் உருவாக்குகின்றன.
• தொடர் அம்சத் தேர்வு (SFS): SFS என்பது ஒரு பேராசை கொண்ட வழிமுறையாகும், இது மாதிரி செயல்திறனில் அவற்றின் தாக்கத்தின் அடிப்படையில் அம்சங்களை மீண்டும் மீண்டும் சேர்க்கிறது அல்லது நீக்குகிறது. தொடர் முன்னோக்கியத் தேர்வு (SFS) மற்றும் தொடர் பின்னோக்கியத் தேர்வு (SBS) போன்ற வகைகள் அம்ச துணைக்குழுத் தேர்வுக்கு வெவ்வேறு அணுகுமுறைகளை வழங்குகின்றன.
• ஆழ்ந்த கற்றல் மாதிரிகளிலிருந்து அம்ச முக்கியத்துவம்: ஆழ்ந்த கற்றலில், கவனம் செலுத்தும் வழிமுறைகள் மற்றும் அடுக்கு வாரியான தொடர்புப் பரவல் (LRP) போன்ற நுட்பங்கள் மாதிரியின் கணிப்புகளுக்கு எந்த அம்சங்கள் மிகவும் முக்கியமானவை என்பது பற்றிய நுண்ணறிவுகளை வழங்க முடியும்.

அம்சப் பிரித்தெடுத்தல் vs. அம்சத் தேர்வு

அம்சத் தேர்வு மற்றும் அம்சப் பிரித்தெடுத்தல் ஆகிய இரண்டிற்கும் இடையில் வேறுபடுத்துவது முக்கியம், இருப்பினும் இரண்டும் பரிமாணத்தைக் குறைப்பதை நோக்கமாகக் கொண்டுள்ளன. அம்சத் தேர்வு என்பது அசல் அம்சங்களின் ஒரு துணைக்குழுவைத் தேர்ந்தெடுப்பதை உள்ளடக்கியது, அதே நேரத்தில் அம்சப் பிரித்தெடுத்தல் என்பது அசல் அம்சங்களை ஒரு புதிய அம்சங்களின் தொகுப்பாக மாற்றுவதை உள்ளடக்கியது.

அம்சப் பிரித்தெடுத்தல் நுட்பங்கள்:

• முதன்மை கூறு பகுப்பாய்வு (PCA): ஒரு பரிமாணக் குறைப்பு நுட்பம், இது அசல் அம்சங்களை தொடர்பற்ற முதன்மை கூறுகளின் தொகுப்பாக மாற்றுகிறது, இது தரவில் உள்ள பெரும்பாலான மாறுபாடுகளைப் பிடிக்கிறது.
• நேரியல் பாகுபாட்டு பகுப்பாய்வு (LDA): ஒரு பரிமாணக் குறைப்பு நுட்பம், இது தரவில் உள்ள வெவ்வேறு வகுப்புகளைப் பிரிக்கும் அம்சங்களின் சிறந்த நேரியல் கலவையைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளது.
• எதிர்மறையற்ற அணி காரணியாக்கம் (NMF): ஒரு பரிமாணக் குறைப்பு நுட்பம், இது ஒரு அணியை இரண்டு எதிர்மறையற்ற அணிகளாகப் பிரிக்கிறது, இது தரவிலிருந்து அர்த்தமுள்ள அம்சங்களைப் பிரித்தெடுக்கப் பயன்படும்.

முக்கிய வேறுபாடுகள்:

• அம்சத் தேர்வு: அசல் அம்சங்களின் ஒரு துணைக்குழுவைத் தேர்ந்தெடுக்கிறது. அசல் அம்ச விளக்கத்திறனைப் பராமரிக்கிறது.
• அம்சப் பிரித்தெடுத்தல்: அசல் அம்சங்களை புதிய அம்சங்களாக மாற்றுகிறது. அசல் அம்ச விளக்கத்திறனை இழக்கக்கூடும்.

அம்சத் தேர்வின் நிஜ-உலகப் பயன்பாடுகள்

அம்சத் தேர்வு பல்வேறு தொழில்கள் மற்றும் பயன்பாடுகளில் முக்கிய பங்கு வகிக்கிறது:

• சுகாதாரம்: நோய் கண்டறிதல் மற்றும் முன்கணிப்புக்கான தொடர்புடைய உயிர் குறிப்பான்களை அடையாளம் காணுதல். தனிப்பயனாக்கப்பட்ட மருத்துவத்திற்காக முக்கியமான மரபணு அம்சங்களைத் தேர்ந்தெடுத்தல்.
• நிதி: முக்கிய நிதி குறிகாட்டிகளைத் தேர்ந்தெடுப்பதன் மூலம் கடன் அபாயத்தைக் கணித்தல். சந்தேகத்திற்கிடமான வடிவங்களை அடையாளம் காண்பதன் மூலம் மோசடியான பரிவர்த்தனைகளைக் கண்டறிதல்.
• சந்தைப்படுத்தல்: தொடர்புடைய மக்கள்தொகை மற்றும் நடத்தை அம்சங்களின் அடிப்படையில் வாடிக்கையாளர் பிரிவுகளை அடையாளம் காணுதல். மிகவும் பயனுள்ள இலக்கு அளவுகோல்களைத் தேர்ந்தெடுப்பதன் மூலம் விளம்பர பிரச்சாரங்களை மேம்படுத்துதல்.
• உற்பத்தி: முக்கியமான செயல்முறை அளவுருக்களைத் தேர்ந்தெடுப்பதன் மூலம் தயாரிப்புத் தரத்தை மேம்படுத்துதல். தொடர்புடைய சென்சார் அளவீடுகளை அடையாளம் காண்பதன் மூலம் உபகரணங்கள் செயலிழப்புகளைக் கணித்தல்.
• சுற்றுச்சூழல் அறிவியல்: தொடர்புடைய வானிலை மற்றும் மாசு தரவுகளின் அடிப்படையில் காற்றின் தரத்தைக் கணித்தல். முக்கிய சுற்றுச்சூழல் காரணிகளைத் தேர்ந்தெடுப்பதன் மூலம் காலநிலை மாற்றத்தை மாதிரியாக்குதல்.

உதாரணம்: இ-காமர்ஸில் மோசடி கண்டறிதல்ஒரு இ-காமர்ஸ் நிறுவனம் அதிக அளவிலான ஆர்டர்களுக்கு இடையில் மோசடியான பரிவர்த்தனைகளைக் கண்டறியும் சவாலை எதிர்கொள்கிறது. வாடிக்கையாளரின் இருப்பிடம், IP முகவரி, கொள்முதல் வரலாறு, கட்டண முறை மற்றும் ஆர்டர் தொகை போன்ற ஒவ்வொரு பரிவர்த்தனை தொடர்பான பல்வேறு அம்சங்களுக்கான அணுகல் அவர்களிடம் உள்ளது. அம்சத் தேர்வு நுட்பங்களைப் பயன்படுத்தி, வழக்கத்திற்கு மாறான கொள்முதல் முறைகள், சந்தேகத்திற்கிடமான இடங்களிலிருந்து அதிக மதிப்புள்ள பரிவர்த்தனைகள் அல்லது பில்லிங் மற்றும் ஷிப்பிங் முகவரிகளில் உள்ள முரண்பாடுகள் போன்ற மோசடிக்கு மிகவும் கணிக்கும் அம்சங்களை அவர்களால் அடையாளம் காண முடியும். இந்த முக்கிய அம்சங்களில் கவனம் செலுத்துவதன் மூலம், நிறுவனம் தங்கள் மோசடி கண்டறிதல் அமைப்பின் துல்லியத்தை மேம்படுத்தி, தவறான நேர்மறைகளின் எண்ணிக்கையைக் குறைக்க முடியும்.

அம்சத் தேர்வின் எதிர்காலம்

அம்சத் தேர்வுத் துறை தொடர்ந்து வளர்ந்து வருகிறது, மேலும் சிக்கலான மற்றும் உயர்-பரிமாண தரவுத்தொகுப்புகளின் சவால்களை எதிர்கொள்ள புதிய நுட்பங்கள் மற்றும் அணுகுமுறைகள் உருவாக்கப்படுகின்றன. அம்சத் தேர்வில் வளர்ந்து வரும் சில போக்குகள் பின்வருமாறு:

• தானியங்கு அம்சப் பொறியியல்: ஏற்கனவே உள்ளவற்றிலிருந்து தானாகவே புதிய அம்சங்களை உருவாக்கும் நுட்பங்கள், இது மாதிரி செயல்திறனை மேம்படுத்தக்கூடும்.
• ஆழ்ந்த கற்றல் அடிப்படையிலான அம்சத் தேர்வு: ஆழ்ந்த கற்றல் மாதிரிகளைப் பயன்படுத்தி அம்சப் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்வதற்கும், ஒரு குறிப்பிட்ட பணிக்கு மிகவும் பொருத்தமான அம்சங்களை அடையாளம் காண்பதற்கும்.
• அம்சத் தேர்வுக்கான விளக்கக்கூடிய AI (XAI): சில அம்சங்கள் ஏன் தேர்ந்தெடுக்கப்பட்டன என்பதைப் புரிந்துகொள்வதற்கும், தேர்வு செயல்முறை நியாயமானது மற்றும் வெளிப்படையானது என்பதை உறுதிப்படுத்துவதற்கும் XAI நுட்பங்களைப் பயன்படுத்துதல்.
• அம்சத் தேர்வுக்கான வலுவூட்டல் கற்றல்: ஒரு குறிப்பிட்ட பணிக்கு உகந்த அம்சத் துணைக்குழுவைக் கற்றுக்கொள்ள வலுவூட்டல் கற்றல் வழிமுறைகளைப் பயன்படுத்துதல், இது சிறந்த மாதிரி செயல்திறனுக்கு வழிவகுக்கும் அம்சங்களின் தேர்வுக்கு வெகுமதி அளிக்கிறது.

முடிவுரை

அம்சத் தேர்வு என்பது இயந்திர கற்றல் செயல்முறையின் ஒரு முக்கியமான படியாகும், இது மேம்பட்ட மாதிரி துல்லியம், குறைக்கப்பட்ட ஓவர்ஃபிட்டிங், வேகமான பயிற்சி நேரங்கள் மற்றும் மேம்படுத்தப்பட்ட மாதிரி விளக்கத்திறன் ஆகியவற்றின் அடிப்படையில் பல நன்மைகளை வழங்குகிறது. பல்வேறு வகையான அம்சத் தேர்வு நுட்பங்கள், நடைமுறைப் பரிசீலனைகள் மற்றும் வளர்ந்து வரும் போக்குகளை கவனமாகக் கருத்தில் கொள்வதன் மூலம், தரவு விஞ்ஞானிகள் மற்றும் இயந்திர கற்றல் பொறியாளர்கள் மிகவும் வலிமையான மற்றும் திறமையான மாதிரிகளை உருவாக்க அம்சத் தேர்வை திறம்பட பயன்படுத்தலாம். உங்கள் தரவின் குறிப்பிட்ட குணாதிசயங்கள் மற்றும் உங்கள் திட்டத்தின் குறிக்கோள்களின் அடிப்படையில் உங்கள் அணுகுமுறையை மாற்றியமைக்க நினைவில் கொள்ளுங்கள். நன்கு தேர்ந்தெடுக்கப்பட்ட அம்சத் தேர்வு உத்தி உங்கள் தரவின் முழு திறனையும் வெளிக்கொணர்வதற்கும் அர்த்தமுள்ள முடிவுகளை அடைவதற்கும் திறவுகோலாக இருக்கும்.