ഫീച്ചർ പ്രവചനവും ഘടനയും-പ്രക്രിയ-പ്രോപ്പർട്ടി ബന്ധങ്ങളും (മെഷീൻ ലേണിംഗ്)

നേട്ടങ്ങൾ:

• കോമ്പോസിഷനിൽ നിന്നും പ്രോസസ്സ് പാരാമീറ്ററുകളിൽ നിന്നും മെക്കാനിക്കൽ പ്രോപ്പർട്ടി പ്രവചനത്തിനായി AI ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് പ്രശ്നം കൃത്യമായി നിർമ്മിക്കാനുള്ള കഴിവ്
• ഡാറ്റയുടെ ഗുണനിലവാരം, ഓവർഫിറ്റിംഗ്, എക്സ്ട്രാപോളേഷൻ എന്നിവയുടെ അപകടസാധ്യതകൾ തിരിച്ചറിഞ്ഞ് ഒരു മോഡലിൻ്റെ ഔട്ട്പുട്ട് വിമർശനാത്മകമായി വായിക്കാനുള്ള കഴിവ്
• ഫിസിക്കൽ പ്ലാസിബിലിറ്റി, കോൺഫിഡൻസ് ഇൻ്റർവെൽ, വെരിഫിക്കേഷൻ പരീക്ഷണം എന്നിവ ഉപയോഗിച്ച് പ്രവചന മാതൃകാ ഫലങ്ങൾ പരിശോധിക്കാനുള്ള കഴിവ്

ലോഹശാസ്ത്രത്തിൻ്റെ ഏറ്റവും അടിസ്ഥാന നിയമം "പ്രക്രിയ ഘടനയെ നിർണ്ണയിക്കുന്നു; ഘടന സ്വത്ത് നിർണ്ണയിക്കുന്നു." ഒരു ഉരുക്കിൻ്റെ വിളവ് ശക്തി ഘടനയെ മാത്രമല്ല ആശ്രയിക്കുന്നത്; ഇത് എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നു (ഫോർജിംഗ്, റോളിംഗ്, ഹീറ്റ് ട്രീറ്റ്‌മെൻ്റ്), തത്ഫലമായുണ്ടാകുന്ന സൂക്ഷ്മ ഘടന (ധാന്യത്തിൻ്റെ വലുപ്പം, ഘട്ടം അനുപാതം, അവശിഷ്ടങ്ങൾ) എന്നിവയിൽ നിന്നാണ് ഇത് ഉണ്ടാകുന്നത്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്, പ്രത്യേകിച്ച് മെഷീൻ ലേണിംഗ് (ML: ഡാറ്റയിലെ പാറ്റേണുകളിൽ നിന്ന് പഠിക്കുകയും പ്രവചിക്കുകയും ചെയ്യുന്ന രീതികൾ), ആയിരക്കണക്കിന് ഡാറ്റാ പോയിൻ്റുകളിൽ നിന്ന് ഈ കോമ്പോസിഷൻ-പ്രോസസ്-പ്രോപ്പർട്ടി ബന്ധങ്ങൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്യാനും ഒരു പുതിയ അലോയ് ഗുണങ്ങൾ പ്രവചിക്കാനും ശക്തമാണ്. എന്നാൽ ഈ ശക്തി ഡാറ്റയുടെ ഗുണനിലവാരത്തെയും മോഡൽ എവിടെയാണ് വിശ്വസനീയമെന്ന് അറിയുന്നതിനെയും ആശ്രയിച്ചിരിക്കുന്നു. ഈ യൂണിറ്റിൽ, ML അടിസ്ഥാനമാക്കിയുള്ള ഫീച്ചർ പ്രവചനം എങ്ങനെ നിർമ്മിക്കാമെന്നും അതിൻ്റെ ഔട്ട്പുട്ട് എങ്ങനെ വിമർശനാത്മകമായി വായിക്കാമെന്നും നിങ്ങൾ പഠിക്കും.

മെഷീൻ ലേണിംഗ് പ്രശ്നം ശരിയായി സജ്ജീകരിക്കുന്നു

ഒരു ഫീച്ചർ പ്രവചന പ്രശ്നം ML-ലേക്ക് ഇടുന്നതിന് മുമ്പ്, മൂന്ന് കാര്യങ്ങൾ വ്യക്തമാക്കുക:

• ഇൻപുട്ട് (ആട്രിബ്യൂട്ടുകൾ): പ്രവചനത്തിൽ ഉപയോഗിക്കേണ്ട വേരിയബിളുകൾ. ഉദാഹരണത്തിന്, കോമ്പോസിഷൻ ശതമാനം (C, Mn, Cr, Ni...), ചൂട് ചികിത്സ താപനിലയും സമയവും, ധാന്യത്തിൻ്റെ വലുപ്പവും.
• ഔട്ട്പുട്ട് (ലക്ഷ്യം): പ്രവചിക്കേണ്ട സവിശേഷത. ഉദാഹരണത്തിന്, വിളവ് ശക്തി, നീളം, കാഠിന്യം.
• ഡാറ്റ: ഇൻപുട്ട്-ഔട്ട്പുട്ട് ജോഡികളുടെ ഒരു പട്ടിക. ഓരോ വരിയും ഒരു മാതൃകയാണ്, ഓരോ നിരയും ഒരു ആട്രിബ്യൂട്ട് അല്ലെങ്കിൽ ലക്ഷ്യമാണ്.

ഈ ഡാറ്റയിൽ നിന്ന് മോഡൽ ഒരു "ഫംഗ്ഷൻ" പഠിക്കുന്നു: ഇത് ഇൻപുട്ടുകൾ എടുക്കുകയും ഔട്ട്പുട്ട് പ്രവചിക്കുകയും ചെയ്യുന്നു. ലീനിയർ റിഗ്രഷൻ (ലളിതമായ വെയ്റ്റഡ് സം), റാൻഡം ഫോറസ്റ്റ് അല്ലെങ്കിൽ ഗ്രേഡിയൻ്റ് ബൂസ്റ്റിംഗ് പോലുള്ള രീതികൾ സാധാരണമാണ്. ഏത് രീതിയാണ് അനുയോജ്യമെന്ന് നിർദ്ദേശിക്കുന്നതിനും കോഡ് എഴുതുന്നതിനും ഫലം വ്യാഖ്യാനിക്കുന്നതിനും AI സഹായകരമാണ്; എന്നാൽ മോഡൽ സാധുവാണോ അല്ലയോ എന്ന് നിങ്ങൾ പരിശോധിക്കുക.

ഡാറ്റ നിലവാരം: മോഡലിൻ്റെ പരിധി

ഒരു ML മോഡൽ അത് പരിശീലിപ്പിച്ച ഡാറ്റയേക്കാൾ മികച്ചതാകാൻ കഴിയില്ല. "ഗാർബേജ് ഇൻ, ഗാർബേജ് ഔട്ട്" എന്ന തത്വം ലോഹശാസ്ത്രത്തിൽ വളരെ ശക്തമാണ്, കാരണം ടെസ്റ്റ് ഡാറ്റ ചെലവേറിയതും വിരളവുമാണ്. ഈ കെണികൾക്കായി ശ്രദ്ധിക്കുക:

• ചെറിയ ഡാറ്റ: നിങ്ങൾക്ക് 30 സാമ്പിളുകൾ ഉപയോഗിച്ച് സങ്കീർണ്ണമായ മോഡലുകൾ നിർമ്മിക്കാൻ കഴിയില്ല; മോഡൽ ഡാറ്റ മനഃപാഠമാക്കുന്നു.
• അസന്തുലിതമായ ഡാറ്റ: ഡാറ്റയുടെ ഭൂരിഭാഗവും കുറഞ്ഞ കാർബൺ സ്റ്റീലുകളാണെങ്കിൽ, ഉയർന്ന കാർബൺ അലോയ്യിൽ പ്രവചനം മോശമായിരിക്കും.
• അളക്കൽ ശബ്ദം: ഒരേ സാമ്പിളിൻ്റെ കാഠിന്യം വ്യത്യസ്ത ഓപ്പറേറ്റർമാരിൽ വ്യത്യാസപ്പെടാം; ഈ ശബ്ദം മോഡലിൽ പ്രതിഫലിക്കുന്നു.
• വേരിയബിൾ വിട്ടുപോയിരിക്കുന്നു: നിങ്ങൾ ധാന്യത്തിൻ്റെ വലുപ്പം അളന്നിട്ടില്ലെങ്കിൽ, ഘടന ഉപയോഗിച്ച് മാത്രം ശക്തി പ്രവചിക്കാൻ ശ്രമിക്കുന്ന മോഡലിന് ഒരു പ്രധാന കാരണം നഷ്ടപ്പെടും.

ശ്രദ്ധിക്കുക: പരിശീലന ഡാറ്റയിൽ ഒരു മോഡലിന് ഉയർന്ന വിജയമുണ്ടായതിനാൽ അത് പുതിയ സാമ്പിളുകളിലും വിജയിക്കുമെന്ന് അർത്ഥമാക്കുന്നില്ല. ഇത് ഓവർഫിറ്റിംഗ് ആയിരിക്കാം: പരിശീലന ഡാറ്റയിലെ ശബ്ദമാണ് മോഡൽ ഓർമ്മിച്ചത്, യഥാർത്ഥ ബന്ധമല്ല. മോഡൽ ഇതുവരെ കണ്ടിട്ടില്ലാത്ത "ടെസ്റ്റ് ഡാറ്റ" യിലാണ് യഥാർത്ഥ വിജയം അളക്കുന്നത്.

എക്സ്ട്രാപോളേഷൻ: ഏറ്റവും അപകടകരമായ പരിധി

പരിശീലന ഡാറ്റ (ഇൻ്റർപോളേഷൻ) ഉൾക്കൊള്ളുന്ന പരിധിക്കുള്ളിൽ ML മോഡലുകൾ ന്യായമായും പ്രവർത്തിക്കുന്നു. ഈ ശ്രേണിക്ക് പുറത്തുള്ളപ്പോൾ (എക്‌സ്‌ട്രാപോളേഷൻ), പ്രവചനങ്ങൾ വിശ്വസനീയമല്ലാതാകുകയും മോഡൽ പലപ്പോഴും ഇത് കാണിക്കുകയും ചെയ്യുന്നില്ല; ആത്മവിശ്വാസമുള്ള സംഖ്യ നിർമ്മിക്കുന്നത് തുടരുന്നു. ഉദാഹരണത്തിന്, 0.2-0.6% പരിധിയിലുള്ള കാർബൺ ഉള്ളടക്കമുള്ള സ്റ്റീലുകളിൽ പരിശീലിപ്പിച്ച ഒരു മോഡൽ, 1.2% കാർബൺ ഉള്ള ഒരു അലോയ് "സുരക്ഷിതം" ആയി കാണിച്ചേക്കാം, എന്നാൽ ഈ മൂല്യം പൂർണ്ണമായും അടിസ്ഥാനരഹിതമാണ്. ഓരോ പ്രവചനത്തിനും, "ഇത് പരിശീലന ഡാറ്റാ വിതരണത്തിനുള്ളിലാണോ?" ചോദ്യം ചോദിക്കേണ്ടത് അനിവാര്യമാണ്.

ഘട്ടം ഘട്ടമായി: AI ഉപയോഗിച്ച് ഒരു പ്രവചന പ്രവാഹം നിർമ്മിക്കുന്നു

1. ലക്ഷ്യവും ഇൻപുട്ടുകളും നിർവചിക്കുക: നിങ്ങൾ എന്താണ് പ്രവചിക്കുക, ഏത് വേരിയബിളുകളിൽ നിന്നാണ്?
2. ഡാറ്റ തയ്യാറാക്കുക: വൃത്തിയാക്കുക, യൂണിറ്റുകൾ ശരിയാക്കുക, നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ ഫ്ലാഗ് ചെയ്യുക. (AI: പൈത്തൺ കോഡ് എഴുതുന്നു.)
3. ഡാറ്റ വിഭജിക്കുക: പരിശീലനവും ടെസ്റ്റിംഗ് സെറ്റുകളും വേർതിരിക്കുക, അതുവഴി നിങ്ങൾക്ക് വിജയം കൃത്യമായി അളക്കാൻ കഴിയും.
4. മോഡൽ തിരഞ്ഞെടുത്ത് പരിശീലിപ്പിക്കുക: ലളിതമായി ആരംഭിക്കുക (ലീനിയർ), ആവശ്യമെങ്കിൽ ട്രീ അടിസ്ഥാനമാക്കിയുള്ളതിലേക്ക് നീങ്ങുക.
5. വിലയിരുത്തുക: ടെസ്റ്റ് സെറ്റിലെ പിശക് മെട്രിക്‌സ് നോക്കുക (ഉദാ. RMSE, R²).
6. അഭിപ്രായം: ഏത് വേരിയബിൾ എത്രത്തോളം ഫലപ്രദമാണ്? ഇത് ശാരീരികമായി അർത്ഥമാക്കുന്നുണ്ടോ?
7. സ്ഥിരീകരിക്കുക: യഥാർത്ഥ പരീക്ഷണം ഉപയോഗിച്ച് ഒരു നിർണായക പ്രവചനം പരിശോധിക്കുക; എക്സ്ട്രാപോളേഷനായി പരിശോധിക്കുക.

ആശയം

അർത്ഥം

ലോഹശാസ്ത്രത്തിൽ ഇത് പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്?

ഓവർ ഫിറ്റിംഗ്

ശബ്ദം മനഃപാഠമാക്കുന്ന മാതൃക

ചെറിയ ടെസ്റ്റ് ഡാറ്റ ഉപയോഗിച്ച് ഇത് വളരെ എളുപ്പമാണ്

ഇൻ്റർപോളേഷൻ

പരിശീലന പരിധിക്കുള്ളിൽ പ്രവചനം

താരതമ്യേന സുരക്ഷിതമായ പ്രദേശം

എക്സ്ട്രാപോളേഷൻ

പരിശീലന പരിധിക്ക് പുറത്തുള്ള പ്രവചനം

വിശ്വസനീയമല്ലാത്ത; പരീക്ഷണം ആവശ്യമാണ്

R²

മോഡൽ വിശദീകരിക്കുന്ന വ്യതിയാനത്തിൻ്റെ അനുപാതം

ഫിറ്റ് ക്വാളിറ്റിയുടെ സൂചകം

സവിശേഷത പ്രാധാന്യം

ഒരു ഇൻപുട്ടിൻ്റെ ആഘാതത്തിൻ്റെ അളവ്

ശാരീരിക യുക്തി പരിശോധന

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഓർമ്മപ്പെടുത്തൽ മാതൃക. 45 സ്റ്റീൽ സാമ്പിളുകൾ ഉപയോഗിച്ച് വിളവ് ശക്തി പ്രവചിക്കുന്ന സങ്കീർണ്ണമായ ഒരു മോഡൽ ഒരു ടീം നിർമ്മിക്കുന്നു; പരിശീലന ഡാറ്റ R² = 0.99 ആയി മാറുകയും അവർ സന്തോഷിക്കുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ടെസ്റ്റ് ഡാറ്റയിൽ ഇത് R² = 0.42 ആയി കുറയുന്നു. മോഡൽ ഓവർഫിറ്റ് ആണ്. അവർ ഒരു ലളിതമായ മോഡലിലേക്ക് മാറുകയും ഡാറ്റ വർദ്ധിപ്പിക്കുകയും ചെയ്യുമ്പോൾ, പരീക്ഷണ വിജയം 0.80 ആയി വർദ്ധിക്കുന്നു. പാഠം: വിദ്യാഭ്യാസ വിജയം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്; ടെസ്റ്റ് ഡാറ്റ ഉപയോഗിച്ചാണ് തീരുമാനം.

കേസ് 2 - എക്സ്ട്രാപോളേഷൻ ട്രാപ്പ്. ഒരു എഞ്ചിനീയർ കുറഞ്ഞ അലോയ് സ്റ്റീലുകളിൽ പരിശീലിപ്പിച്ച ഒരു മോഡൽ ഉയർന്ന Cr സ്റ്റെയിൻലെസ് കോമ്പോസിഷനിലേക്ക് പ്രയോഗിക്കുന്നു. "ഏകദേശം 620 MPa" എന്ന് മോഡൽ പറയുന്നു. യഥാർത്ഥ ടെൻസൈൽ ടെസ്റ്റ് 410 MPa ലേക്ക് വരുന്നു. രചന പൂർണ്ണമായും വിദ്യാഭ്യാസ വിതരണത്തിന് പുറത്താണ്. പാഠം: പ്രവചനത്തിന് മുമ്പ് ഇൻപുട്ട് പരിശീലന പരിധിക്കുള്ളിലാണോ എന്ന് പരിശോധിക്കേണ്ടത് അത്യാവശ്യമാണ്.

കേസ് 3 - ശരിയായ ഉപയോഗം. ഒരു R&D ടീം, ലോഹസങ്കരങ്ങളുടെ ഒരു കുടുംബത്തിലെ ആയിരക്കണക്കിന് റെക്കോർഡുകൾ ഉപയോഗിച്ച് കാഠിന്യത്തിലെ താപനിലയെ ടെമ്പറിംഗ് പ്രഭാവം മാതൃകയാക്കുന്നു. മോഡൽ അറിയപ്പെടുന്ന ശാരീരിക പ്രവണതയെ പുനർനിർമ്മിക്കുന്നു (ടെമ്പറിംഗ് താപനില വർദ്ധിക്കുന്നതിനനുസരിച്ച് കാഠിന്യം കുറയുന്നു) കൂടാതെ ടാർഗെറ്റ് കാഠിന്യം ഏത് കോമ്പോസിഷൻ ശ്രേണിയിൽ കൈവരിക്കും എന്ന് ചുരുക്കുന്നു. പരീക്ഷണങ്ങളുടെ എണ്ണം കുറയ്ക്കുന്നതിന് ടീം ഈ മോഡൽ ഉപയോഗിക്കുന്നു: 40 പരീക്ഷണങ്ങൾക്ക് പകരം 8 പരീക്ഷണങ്ങളിലൂടെ ലക്ഷ്യത്തിലെത്തുകയും ഓരോ ഘട്ടവും അളവുകൾ ഉപയോഗിച്ച് സാധൂകരിക്കുകയും ചെയ്യുന്നു. പാഠം: നല്ല ഡാറ്റയും ഫിസിക്കൽ പ്ലാസിബിലിറ്റി പരിശോധനകളും ഉപയോഗിച്ച് ML ബുദ്ധിപരമായി പരീക്ഷണ ആസൂത്രണം ചുരുക്കുന്നു.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ML പ്രശ്‌ന ക്രമീകരണ ടെംപ്ലേറ്റ് "റോൾ: നിങ്ങളൊരു മെറ്റീരിയൽ ഡാറ്റാ സയൻസ് അസിസ്റ്റൻ്റാണ്. ലക്ഷ്യം: [പ്രവചിക്കേണ്ട ഫീച്ചർ]. ഇൻപുട്ടുകൾ: [ആട്രിബ്യൂട്ടുകൾ]. എൻ്റെ പക്കൽ [n] സാമ്പിളുകൾ ഉണ്ട്. ഈ പ്രശ്നത്തിന്: (1) ഉചിതമായ ലളിതവും നൂതനവുമായ മോഡൽ ഓപ്ഷനുകൾ നിർദ്ദേശിക്കുക, (2) ഈ പരിശീലന/ടെസ്റ്റ് വിഭജനവും മൂല്യനിർണ്ണയവും അടിസ്ഥാനമാക്കിയുള്ള അപകടസാധ്യതകളെ അടിസ്ഥാനമാക്കിയുള്ള പരിശീലനവും വിലയിരുത്തലും നടത്തുക, (3) വ്യക്തമായ വിജയം വാഗ്ദാനം ചെയ്യുക; പരിധികൾ വ്യക്തമായി എഴുതുക.

ഡാറ്റ ക്വാളിറ്റി ഓഡിറ്റ് ടെംപ്ലേറ്റ് "ഇനിപ്പറയുന്ന ഡാറ്റാ ടേബിളിൻ്റെ ഗുണനിലവാരം പരിശോധിക്കുക: [കോളങ്ങളും സാമ്പിൾ വരികളും ഒട്ടിക്കുക]. ഫ്ലാഗ്: നഷ്‌ടമായ മൂല്യങ്ങൾ, ഔട്ട്‌ലറുകൾ, യൂണിറ്റ് പൊരുത്തക്കേടുകൾ, അസന്തുലിതമായ വിതരണം. ഓരോ ലക്കത്തിനും, അത് എങ്ങനെ കൈകാര്യം ചെയ്യണമെന്ന് നിർദ്ദേശിക്കുക. മോഡലിംഗ് ചെയ്യുന്നതിന് മുമ്പ് ഞാൻ ചെയ്യേണ്ട പരിശോധനകൾ ലിസ്റ്റ് ചെയ്യുക."

എക്സ്ട്രാപോലേഷൻ കൺട്രോൾ ടെംപ്ലേറ്റ് "എൻ്റെ പരിശീലന വിളവിലെ ഓരോ ഇൻപുട്ടിൻ്റെയും ഏറ്റവും കുറഞ്ഞ-പരമാവധി ശ്രേണി ഇതാണ്: [ശ്രേണികൾ എഴുതുക]. ഞാൻ പ്രവചിക്കാൻ ആഗ്രഹിക്കുന്ന പുതിയ സാമ്പിൾ ഇതാണ്: [മൂല്യങ്ങൾ എഴുതുക]. ഈ സാമ്പിൾ ഓരോ ആട്രിബ്യൂട്ടിലും പരിശീലന ശ്രേണിക്ക് അകത്തോ പുറത്തോ ആണോ? ഇത് പുറത്താണെങ്കിൽ, ഏതൊക്കെ വേരിയബിളുകളിൽ പ്രവചനം അവിശ്വസനീയമാകുമെന്ന് വിശദീകരിക്കുക.

ഫിസിക്കൽ പ്ലാസിബിലിറ്റി ടെംപ്ലേറ്റ് "മോഡലിൻ്റെ ഫീച്ചർ പ്രാധാന്യത്തിൻ്റെ ക്രമം [തരം] ആണ്. ഈ ഓർഡർ അറിയപ്പെടുന്ന മെറ്റലർജിക്കൽ ബന്ധങ്ങളുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ (ഉദാ. ഹാൾ-പെച്ച്, പ്രിസിപിറ്റേറ്റ് ഹാർഡനിംഗ്, കാർബൺ ഇഫക്റ്റ്)? ഭൗതികമായി അപ്രതീക്ഷിതമായ ഫലമുണ്ടെങ്കിൽ, അത് അടയാളപ്പെടുത്തി സാധ്യമായ ഡാറ്റ/മോഡൽ പ്രശ്നം വിശദീകരിക്കുക."

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്: "ഈ കോമ്പോസിഷൻ അടിസ്ഥാനമാക്കിയുള്ള വിളവ് ശക്തി പ്രവചിക്കുക."

ശക്തമായ നിർദ്ദേശം:"റോൾ: നിങ്ങളാണ് മെറ്റീരിയൽ ഡാറ്റ സയൻസ് അസിസ്റ്റൻ്റ്. എൻ്റെ പക്കൽ 800 ലൈനുകൾ കുറഞ്ഞ അലോയ് സ്റ്റീൽ ഡാറ്റയുണ്ട് (C, Mn, Cr, Ni, ടെമ്പറിംഗ് ടെമ്പറേച്ചർ ->വിളവ് ശക്തി). പുതിയ സാമ്പിൾ: C=0.38, Mn=0.8, Cr=1.0, Ni=0.2,temper=550 ഡിഗ്രി സെൽഷ്യസിനുള്ളിൽ പരിശീലനം അനുയോജ്യമാണോ എന്ന് ആദ്യം പരിശോധിക്കുക. അനിശ്ചിതത്വം വിശദീകരിക്കുക;

ശക്തമായ പ്രോംപ്റ്റ് ഒരു പ്രവചനം നടത്തുന്നതിന് മുമ്പ് ഒരു എക്സ്ട്രാപോളേഷൻ പരിശോധന ആവശ്യപ്പെടുന്നു, അനിശ്ചിതത്വം നീക്കം ചെയ്യുന്നു, ഭൗതിക നിയമങ്ങൾക്കെതിരെ ഫലം പരിശോധിക്കുന്നു. ഇത് ഒരു അസംസ്കൃത സംഖ്യയേക്കാൾ കൂടുതൽ വിശ്വസനീയമായ തീരുമാന അടിസ്ഥാനം നൽകുന്നു.

സാധാരണ തെറ്റുകൾ

• വിദ്യാഭ്യാസ വിജയത്തെ യഥാർത്ഥ വിജയമായി തെറ്റിദ്ധരിപ്പിക്കുക (ഓവർ ഫിറ്റിംഗ് ഒഴിവാക്കുക).
• പരിശീലനം/ടെസ്റ്റ് സ്പ്ലിറ്റ് ചെയ്യാതെ മോഡൽ വിലയിരുത്തുന്നു.
• എക്സ്ട്രാപോളേഷൻ മേഖലയിൽ നിർമ്മിച്ച എസ്റ്റിമേറ്റ് സുരക്ഷിതമായി അംഗീകരിക്കുന്നു.
• ചെറിയതും അസന്തുലിതമായതുമായ ഡാറ്റ ഉപയോഗിച്ച് സങ്കീർണ്ണമായ മോഡലുകൾ നിർമ്മിക്കുന്നു.
• ഫിസിക്കൽ പ്ലാസിബിലിറ്റിയുമായി ഫീച്ചർ പ്രാധാന്യത്തെ താരതമ്യം ചെയ്യരുത്.
• പരീക്ഷണത്തിലൂടെ സ്ഥിരീകരിക്കാതെ രൂപകല്പനയിൽ ഒരു നിർണായക ഊഹം സ്ഥാപിക്കുക.

ചുരുക്കത്തിൽ

മെഷീൻ ലേണിംഗ് നല്ല ഡാറ്റ ഉപയോഗിച്ച് കോമ്പോസിഷൻ-പ്രോസസ്-പ്രോപ്പർട്ടി ബന്ധങ്ങളെ ശക്തമായി പിടിച്ചെടുക്കുകയും പരീക്ഷണ ആസൂത്രണം ബുദ്ധിപരമായി ചുരുക്കുകയും ചെയ്യുന്നു. എന്നാൽ ഒരു മോഡൽ അതിൻ്റെ ഡാറ്റ പോലെ മികച്ചതാണ്; പരിശീലന നേട്ടം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ് (ഓവർ ഫിറ്റിംഗ്) കൂടാതെ പരിശീലന പരിധിക്ക് പുറത്തുള്ള കണക്കുകൾ (എക്‌സ്‌ട്രാപോളേഷൻ) വിശ്വസനീയമല്ല. ടെസ്റ്റ് ഡാറ്റ വിജയം, എക്‌സ്‌ട്രാപോളേഷൻ നിയന്ത്രണം, ഫിസിക്കൽ പ്ലാസിബിലിറ്റി, നിർണ്ണായക സന്ദർഭങ്ങളിൽ യഥാർത്ഥ പരീക്ഷണം എന്നിവ ഉപയോഗിച്ച് ഓരോ പ്രവചനവും പരിശോധിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിലവിലുള്ള (അല്ലെങ്കിൽ സാങ്കൽപ്പിക) മെറ്റീരിയൽ ഡാറ്റ സെറ്റ് ഉപയോഗിച്ച് ഒരു പ്രോപ്പർട്ടി പ്രവചന പ്രശ്നം നിർവചിക്കുക: ലക്ഷ്യവും ഇൻപുട്ടുകളും എഴുതുക. "ML പ്രോബ്ലം ഫിഗർ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI-യിൽ നിന്ന് ഒരു സമീപനത്തിനായി ആവശ്യപ്പെടുക. തുടർന്ന് ഒരു "പുതിയ സാമ്പിൾ" നിർവ്വചിക്കുകയും "എക്സ്ട്രാപോലേഷൻ ചെക്ക്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഈ സാമ്പിൾ പരിശീലന പരിധിക്കുള്ളിലാണോ എന്ന് പരിശോധിക്കുക. അവസാനമായി, ഏത് പരീക്ഷണത്തിലൂടെയാണ് നിങ്ങൾ മോഡലിൻ്റെ ഔട്ട്പുട്ട് പരിശോധിക്കേണ്ടതെന്ന് ഒരു ഖണ്ഡികയിൽ വിവരിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ലക്ഷ്യവും ഇൻപുട്ടുകളും വ്യക്തമായി നിർവചിച്ചു.
• [ ] ഞാൻ ഡാറ്റയുടെ ഗുണനിലവാരം പരിശോധിച്ചു (നഷ്‌ടമായത്, ഔട്ട്‌ലിയർ, യൂണിറ്റ്, ബാലൻസ്).
• [ ] പരിശീലനം/ടെസ്റ്റ് വിഭജനം ഉപയോഗിച്ച് ഞാൻ സത്യസന്ധമായ വിജയം അളന്നു.
• [ ] ഓരോ എസ്റ്റിമേറ്റിനും ഞാൻ എക്സ്ട്രാപോളേഷൻ റിസ്ക് പരിശോധിച്ചു.
• [ ] ഞാൻ ഫീച്ചർ പ്രാധാന്യത്തെ ഫിസിക്കൽ പ്ലാസിബിലിറ്റിയുമായി താരതമ്യം ചെയ്തു.
• നിർണ്ണായകമായ പ്രവചനം യഥാർത്ഥ പരീക്ഷണത്തിലൂടെ പരിശോധിക്കാൻ ഞാൻ ഒരു പദ്ധതി തയ്യാറാക്കി.