මැෂින් ලර්නින්ග් යනු දත්ත විශ්ලේෂණයේ මූලික කොටසක්, නමුත් නවකයින්ට රෙග්රෙෂන් සහ රෙගුලරයිසේෂන් අතර වෙනස තේරුම් ගන්න අමාරු විය හැකිය. මේ ලිපියෙන් ඔබට ඒ දෙකේ මූලික අදහස්, භාවිතා කරන ආකාරය, සහ ඒවා එකට කෙලින්ම කොහොමද සම්බන්ධ වෙන්නේ කියලා සරලව පැහැදිලි කරමු.
රෙග්රෙෂන් කියන්නේ එක් හෝ ඊට වැඩි පරාමිතීන් (features) භාවිතා කරලා අඛණ්ඩ සංඛ්යාත්මක ප්රතිඵලයක් (continuous outcome) පූර්ව අනුමාන කිරීමේ තාක්ෂණයක්. උදාහරණයක් වශයෙන්, නිවසක ප්රමාණය, ස්ථානය, වයස වැනි තොරතුරු මත පදනම්ව එහි මිල අනුමාන කිරීම, හෝ සිසුන්ගේ අධ්යයන පැය ගණන මත විභාග ලකුණු පුරාකල හැක.
සරල රේඛීය රෙග්රෙෂන් (Simple Linear Regression) තුළ y = β₀ + β₁x + ε ලෙස සූත්රයක් පවත්වා, β₀ (ආරම්භක අගය) සහ β₁ (වලක්රම) යන ගුණකයන් ඉගෙන ගනිමින් නිරවද්ය අනුමාන කරයි. බහු රේඛීය රෙග්රෙෂන් (Multiple Linear Regression) වගේ වැඩි පරාමිතීන් ඇතුළත් කිරීමෙන් y = β₀ + β₁x₁ + β₂x₂ + … + βₚxₚ + ε ලෙස සංකීර්ණ ආකෘතියක් ගොඩනැගේ.
කෙසේ වෙතත්, ආකෘතිය ඉතා සංකීර්ණ නම්, පුහුණු දත්ත වලට හොඳම අනුකූලව ක්රියා කරයි, නමුත් නව දත්ත වලදී අඩු කාර්යක්ෂමතාවක් (overfitting) පෙන්වයි. මෙන්න රෙගුලරයිසේෂන් ඇතුළත් වන තැන.
රෙගුලරයිසේෂන් යනු ආකෘතියේ සංකීර්ණතාවය පාලනය කිරීම සඳහා ගුණකයන් (coefficients) වෙත දඬුවමක් (penalty) එක් කරයි. එයින් Prediction Error + Complexity Penalty වැනි නව අරමුණක් අනුගමනය කරයි.
- Ridge Regression (L2): ගුණකයන්ගේ වර්ගීය (square) ප්රමාණය මත දඬුවමක් යෙදෙයි. λ = 0 නම් සාමාන්ය රෙග්රෙෂන් වගේ, λ වැඩි වීමෙන් ගුණකයන් කුඩා වෙයි, නමුත් සම්පූර්ණයෙන් ශුන්ය නොවේ.
- Lasso Regression (L1): ගුණකයන්ගේ සම්පූර්ණ අගයන් මත දඬුවමක්. මෙහිදී කිසිඳු ගුණකයක් සම්පූර්ණයෙන් 0 වෙයි, එවිට එම පරාමිතිය ආකෘතියෙන් ඉවත් කරයි – එමනිසා ලක්ෂණ තේරීමේ (feature selection) හැකියාව ලැබේ.
- Elastic Net: L1 හා L2 දඬුවම් එකට මිශ්ර කරයි. ලාසෝවගේ ලක්ෂණ තේරීමේ හැකියාව හා Ridge හි සම්බන්ධිත ලක්ෂණ කළමනාකරණය කිරීමේ වාසිය එකට ගෙන එයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ විශ්වවිද්යාල සිසුන්, තාක්ෂණික ආයතන, සහ කුඩා ව්යාපාර සඳහා රෙග්රෙෂන් හා රෙගුලරයිසේෂන් අතර වෙනස දැනගැනීම අත්යවශ්යයි. රෙග්රෙෂන් භාවිතයෙන් නිවසේ මිල, ව්යාපාරික ආදායම්, හෝ කෘෂි නිෂ්පාදන අනුමාන කරමින් තීරණ ගත හැක. නමුත් රෙගුලරයිසේෂන් අඩංගු කරගත් ආකෘති නිවැරදිව නව දත්ත වලට අනුකූල වේ, එයින් අධික පිරිවැයක්, අනුමාන දෝෂ, සහ ව්යාපාරික අවදානම අඩු කරයි.
දෙකම සමඟ පරිගණක විද්යා පාඨමාලා, මැෂින් ලර්නින්ග් වැඩමුළු, සහ ව්යාපාරික වාර්තා සකස් කිරීමේදී ප්රායෝගික උදාහරණ ලෙස භාවිතා කළ හැක. එමඟින් සිසුන්ට නියමිත ගැඹුරු ගණිත පසුබැසීමක් නොඅඩුව, තවත් අධික පරිණාමයක් ඇති කරයි.
ඉදිරියේදී, රෙගුලරයිසේෂන් තාක්ෂණය AI මෝඩලයන්හි overfitting අවස්ථා වැලැක්වීමට, cloud සේවා මත මොඩලයන් ධාවනයේ කාර්යක්ෂමතාව වැඩි කිරීමට, සහ දත්ත විශ්ලේෂණය තුළ නව නව අවස්ථා සොයා ගැනීමට මූලික වේ.
සාමාන්යයෙන්, රෙග්රෙෂන් සහ රෙගුලරයිසේෂන් එකටම භාවිතා කිරීමෙන් ඔබේ මොඩලය තනි තීරණයක් නොව, නිරවද්ය, ස්ථිර, සහ ව්යාපාරික අවශ්යතා පුරා ගමන් කරනු ඇත.
