مشین سیکھنے کی پیشینگوئیوں میں غیر یقینی کو سمجھنا بہت ضروری ہے ماڈلوں کی عدم موجودگی کا تجزیہ کرنا. اس غیر یقینی کو حل کرنا فیصلہ سازی کے طریقوں میں مدد دیتا ہے، خاص طور پر صحت کی دیکھ بھال، مالیات اور خودکار نظام جیسے اہم اطلاقات میں۔ مختلف طریقے غیر یقینیات کے مطابق، اس کے فوائد اور تناظر کے ساتھ ہر ایک کو اس کی خصوصیات اور حد تک تعبیر کرنا ہے۔
غیرمتوقع طور پر پریشان ہونے کی بابت
مشین سیکھنے کے ماڈلوں میں غیر یقینی بنانے کیلئے کئی تکنیکیں استعمال کی جاتی ہیں ۔ ان میں پرابیلی ماڈل ، انسبل طریقے اور بائیسیس پاسولحاظ شامل ہیں ۔
عام تکنیکی
- Bayesian طریقوں : علم سے پہلے اندراج کرو اور غیر یقینی طور پر غیر یقینی طور پر قابلِ اعتماد کارکردگی کے لیے ایک Perbabilistic settlement فراہم کرنا۔
- Ensemble طریقوں :] مختلف منڈل استعمال کرکے مختلف اصناف کی تقسیم پیدا کرنے کے لیے کئی ماڈل استعمال کریں۔
- مونٹی کارلو ڈاؤن لوڈ: [Apaissss seconss about Bayesian uninity].
- [Predic rates: ایک ایسا دائرہ فراہم کرتا ہے جس میں مستقبل کے مشاہدات کو ایک مخصوص امکان کے ساتھ گرنے کی توقع کی جاتی ہے۔
عملی مثالیں
مثال کے طور پر ، ایک ماڈل نے بیماری کے خطرے کو یقینی بنانے کیلئے ایک ممکنہ تقسیم کو یقینی بنایا ہے ۔
ان طریقوں کو متعارف کرانے میں درخواست اور ڈیٹا پر مبنی مناسب تکنیک کا انتخاب کرنا شامل ہے۔سیکیٹ-کرنسی، ٹینسورفل اور پی ٹورچ کی پیشکشیں مشین سیکھنے کے عمل کے عمل میں غیر یقینی طور پر مداخلت کرنے کے لیے