Ridge और Lasso नियमितीकरण
दंडों से अति-अनुकूलन को नियंत्रित करना
Ridge और Lasso नियमितीकरण, CoddyKit पर Data Science Academy का एक निःशुल्क पाठ है। यह 4 में से 2वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Data Science Academy सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Data Science Academy पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
जब रेखा अति-अनुरूपण करती है
साधारण रैखिक प्रतिगमन शोर के पीछे भाग सकता है और बहुत बड़े गुणांक बना सकता है, जो प्रशिक्षण डेटा पर तो सही बैठते हैं, लेकिन नए डेटा पर विफल हो जाते हैं। इस जाल को अति-अनुरूपण कहते हैं। 😬
दंड जोड़ें
नियमितीकरण बड़े गुणांकों पर दंड लगाकर इस समस्या को ठीक करता है। अब मॉडल डेटा पर सही बैठने और भारों को छोटा रखने के बीच संतुलन बनाता है।
रिज भारों को छोटा करता है
रिज गुणांकों के वर्गित आकार पर दंड लगाता है। यह हर भार को शून्य की ओर खींचता है, लेकिन प्रायः किसी को बिल्कुल शून्य नहीं बनाता।
from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0).fit(X, y)लासो उन्हें शून्य कर सकता है
लासो इसके बजाय निरपेक्ष आकार पर दंड लगाता है। यह कमज़ोर गुणांकों को पूरी तरह शून्य कर सकता है और उन विशेषताओं को हटा सकता है।
from sklearn.linear_model import Lasso
model = Lasso(alpha=0.1).fit(X, y)लासो विशेषताएँ चुनता है
लासो कमज़ोर भारों को शून्य कर देता है, इसलिए यह विशेषता चयन का काम भी करता है। बचे हुए गैर-शून्य गुणांक वे विशेषताएँ हैं जिन्हें इसने उपयोगी पाया।
अल्फा शक्ति तय करता है
अल्फा नियंत्रण यह तय करता है कि दंड कितनी ताकत से लागू होगा। बड़ा अल्फा अधिक संकुचन और सरल, अधिक सुचारु मॉडल देता है।
बहुत अधिक अल्फा से कम-अनुरूपण होता है
अल्फा को बहुत अधिक बढ़ाने पर गुणांक इतने सिकुड़ जाते हैं कि मॉडल वास्तविक संकेत को नज़रअंदाज़ करने लगता है। इस विपरीत गलती को कम-अनुरूपण कहते हैं।
दंड लगाने से पहले स्केल करें
दंड गुणांकों की सीधे तुलना करते हैं, इसलिए पहले सभी विशेषताओं का पैमाना समान होना चाहिए। अपने डेटा को मानकीकृत करें, वरना दंड बड़े-इकाई वाली विशेषताओं पर अनुचित रूप से अधिक असर करेगा।
from sklearn.preprocessing import StandardScalerरिज या लासो?
जब अधिकांश विशेषताएँ थोड़ा-थोड़ा योगदान देती हों, तो रिज का उपयोग करें। जब आपको संदेह हो कि कई विशेषताएँ बेकार हैं और आप विरल, हल्का मॉडल चाहते हों, तो लासो चुनें।
ElasticNet दोनों को मिलाता है
निर्णय नहीं कर पा रहे हैं? ElasticNet रिज और लासो के दंडों को मिलाता है, जिससे आपको एक साथ संकुचन और कुछ विशेषताओं को हटाने का लाभ मिलता है।
from sklearn.linear_model import ElasticNetक्रॉस-वैलिडेशन से समायोजन करें
alpha का अनुमान कभी हाथ से न लगाएँ। मानों की एक श्रेणी आज़माएँ और क्रॉस-वैलिडेशन में अलग रखे गए फोल्ड पर सबसे अच्छा स्कोर देने वाला मान चुनें।
from sklearn.linear_model import RidgeCVत्वरित जाँच
व्यवहार में इन दोनों के बीच एक महत्वपूर्ण अंतर है।
पुनरावलोकन
नियमितीकरण ओवरफिटिंग को नियंत्रित करता है: Ridge वज़न को छोटा करता है, Lasso उन्हें शून्य कर सकता है, और alpha इसकी तीव्रता तय करता है। पहले स्केल करें, फिर ट्यून करें। 🎯
एआई शिक्षक के साथ Python सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 30
- पाठ
- 120
अक्सर पूछे जाने वाले प्रश्न
क्या “Ridge और Lasso नियमितीकरण” पाठ निःशुल्क है?
हाँ—“Ridge और Lasso नियमितीकरण” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Data Science Academy पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Data Science Academy पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“Ridge और Lasso नियमितीकरण” में मैं क्या सीखूँगा?
दंडों से अति-अनुकूलन को नियंत्रित करना आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Data Science Academy का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या Data Science Academy शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Data Science Academy शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 2वाँ पाठ है।
“Ridge और Lasso नियमितीकरण” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस Data Science Academy पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर Data Science Academy पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- रैखिक प्रतिगमन की पुनरावृत्ति
- Ridge और Lasso नियमितीकरण
- निर्णय-वृक्ष प्रतिगमन
- प्रतिगमन के लिए Random Forest