এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
রোবাস্ট স্কেলিং
কোয়ান্টাইল ব্যবহার করে আউটলিয়ারগুলির বিরুদ্ধে প্রতিরোধী কৌশল, সাধারণত (x - মধ্যমা)/IQR প্রয়োগ করে যেখানে IQR ইন্টারকোয়ার্টাইল রেঞ্জ নির্দেশ করে। এই পদ্ধতিটি শোরগোল বা চরম ডেটা উপস্থিতিতে রূপান্তরের স্থিতিশীলতা বজায় রাখে।
L1 নরমালাইজেশন
ভেক্টরের সমস্ত মানের পরম যোগফল দ্বারা প্রতিটি মানকে ভাগ করে স্কেলিং পদ্ধতি, নিশ্চিত করে যে L1 নর্ম 1 এর সমান। সম্ভাব্যতা-ভিত্তিক মডেল এবং স্পার্স উপস্থাপনার জন্য এই রূপান্তর বিশেষভাবে উপযোগী।
L2 নরমালাইজেশন
বর্গের যোগফলের বর্গমূল দ্বারা প্রতিটি উপাদানকে ভাগ করে ভেক্টরগুলিকে স্বাভাবিক করার প্রক্রিয়া, একটি ইউনিট ইউক্লিডীয় নর্ম নিশ্চিত করে। ভেক্টর ম্যাগনিচিউড-সংবেদনশীল অ্যালগরিদম যেমন SVM এবং নিউরাল নেটওয়ার্কের জন্য এই কৌশল অপরিহার্য।
কোয়ান্টাইল নরমালাইজেশন
কোয়ান্টাইল বিতরণ ফাংশন ব্যবহার করে নির্দিষ্ট ইউনিফর্ম বা স্বাভাবিক বিতরণ অনুসরণ করার জন্য ডেটা রূপান্তরিত করার অ-প্যারামেট্রিক কৌশল। দৃঢ়ভাবে তির্যক বা মাল্টিমোডাল বিতরণ পরিচালনার জন্য এই পদ্ধতি বিশেষভাবে কার্যকর।
ভেক্টর ইউনিট স্কেলিং
প্রতিটি ভেক্টরকে তার ইউক্লিডীয় নর্ম দ্বারা ভাগ করে স্বাভাবিককরণ, বহুমাত্রিক স্থানে ইউনিট দৈর্ঘ্যের ভেক্টর তৈরি করে। কোসাইন সাদৃশ্য পরিমাপ এবং টেক্সচুয়াল উপস্থাপনার উপর ভিত্তি করে অ্যালগরিদমের জন্য এই পদ্ধতি অত্যন্ত গুরুত্বপূর্ণ।
দশমিক নরমালাইজেশন
মানগুলিকে [-1,1] ব্যবধানে ফিরিয়ে আনার জন্য 10-এর শক্তি দ্বারা মানগুলিকে ভাগ করার সহজ কৌশল, দশমিক বিন্দুর আগে সর্বাধিক সংখ্যার উপর ভিত্তি করে। এই পদ্ধতিটি পরম সংখ্যাসূচক স্কেল হ্রাস করার সময় আপেক্ষিক মাত্রার ক্রম সংরক্ষণ করে।
রোবাস্ট স্ট্যান্ডার্ডাইজেশন
কেন্দ্রীয় প্রবণতা এবং বিচ্ছুরণের পরিমাপ হিসাবে মধ্যমা এবং মধ্যমা থেকে পরম বিচ্যুতি (MAD) ব্যবহার করে স্ট্যান্ডার্ডাইজেশনের বৈকল্পিক, আউটলিয়ারগুলির বিরুদ্ধে বর্ধিত প্রতিরোধ ক্ষমতা প্রদান করে। এই পদ্ধতিটি রোবাস্টনেস নিশ্চিত করার সময় ব্যাখ্যাযোগ্যতা বজায় রাখে।
লগারিদমিক স্কেলিং
লগ(x + c) প্রয়োগ করে রূপান্তর যেখানে c শূন্য মান পরিচালনা করার জন্য একটি ধ্রুবক, বড় মানগুলির স্কেল কার্যকরভাবে সংকুচিত করে। পাওয়ার-ল আইন অনুসরণ করা ডেটা বা ডান-স্কিউড ডেটার জন্য এই পদ্ধতি বিশেষভাবে উপযুক্ত।
র্যাংক স্বাভাবিকীকরণ
অপারামেট্রিক কৌশল যা প্রতিটি মানকে ডেটাসেটে তার স্বাভাবিকীকৃত র্যাংক দ্বারা প্রতিস্থাপন করে, চরম মানগুলির প্রভাব দূর করে। এই পদ্ধতিটি আউটলায়ারগুলির প্রতি রোবাস্ট এবং শুধুমাত্র পর্যবেক্ষণের আপেক্ষিক ক্রম সংরক্ষণ করে।
মাধ্যমিক মানকীকরণ
গড়ের পরিবর্তে মধ্যমার চারপাশে ডেটা কেন্দ্রীভূত করার পদ্ধতি, একটি রোবাস্ট বিচ্ছুরণ পরিমাপ যেমন ইন্টারকোয়ার্টাইল রেঞ্জ দ্বারা ভাগ করে। এই পদ্ধতিটি অসমমিত বন্টন এবং অস্বাভাবিক মানগুলির জন্য আরও ভাল প্রতিরোধ ক্ষমতা প্রদান করে।
পরম সর্বোচ্চ স্কেলিং
প্রতিটি মানকে বৈশিষ্ট্যের পরম সর্বোচ্চ মান দ্বারা ভাগ করে একটি সহজ কৌশল, চিহ্ন এবং শূন্যগুলি সংরক্ষণ করে যখন মানগুলিকে [-1,1] সীমাবদ্ধ করে। এই পদ্ধতিটি ইতিমধ্যে কেন্দ্রীভূত বা স্পার্স ডেটার জন্য বিশেষভাবে কার্যকর।
ভ্যারিয়েন্স স্বাভাবিকীকরণ
তাদের ভ্যারিয়েন্স দ্বারা ভাগ করে ভেরিয়েবলগুলিকে মানকীকরণের প্রক্রিয়া, স্কেল-সেনসিটিভ অ্যালগরিদমগুলিতে প্রতিটি বৈশিষ্ট্যের গুরুত্ব সমান করে। এই পদ্ধতিটি প্রধান উপাদান বিশ্লেষণ এবং রিজ রিগ্রেশনের জন্য বিশেষভাবে উপযোগী।
ভ্যারিয়েশন কোএফিশিয়েন্ট মানকীকরণ
ভ্যারিয়েশন কোএফিশিয়েন্ট (σ/μ) দ্বারা ভাগ করে ডেটা স্বাভাবিকীকরণের উন্নত পদ্ধতি, বিভিন্ন গড় এবং ভ্যারিয়েন্স সহ ভেরিয়েবলগুলির তুলনা করার অনুমতি দেয়। এই কৌশলটি সেই ডেটার জন্য বিশেষভাবে প্রাসঙ্গিক যেখানে আপেক্ষিক পরিবর্তনশীলতা পরম পরিবর্তনশীলতার চেয়ে বেশি গুরুত্বপূর্ণ।