মেশিন-লার্নিং মডেল সাধারণত তাদের প্রশিক্ষণযোগ্য প্যারামিটারের সংখ্যা দিয়ে বর্ণনা করা হয়, তবে এই সংখ্যাটি বিভ্রান্তিকর হতে পারে। একটি মডেলে এমন অনেক প্যারামিটার থাকতে পারে যারা তার আউটপুটকে প্রভাবিত করার প্রকৃত স্বাধীন উপায় তৈরি করে না, অন্যদিকে একটি সংক্ষিপ্ত মডেল প্রায় প্রতিটি প্যারামিটারকে একটি স্বতন্ত্র ও অর্থবহ উপায়ে ব্যবহার করতে পারে। কার্যকর মাত্রা সেই পার্থক্য পরিমাপের একটি উপায়।
θ1 ও θ2 প্যারামিটারযুক্ত দুটি মডেল বিবেচনা করুন। প্রথমটিতে, প্যারামিটারগুলো স্বাধীনভাবে আউটপুটকে প্রভাবিত করে, তাই মডেলটি দুটি স্বাধীন দিকে পরিবর্তিত হতে পারে। দ্বিতীয়টিতে, আউটপুট শুধুমাত্র তাদের যোগফলের উপর নির্ভর করে, তাই অনেক প্যারামিটার জোড়া ঠিক একই ফাংশন তৈরি করে। যদিও মডেলটির আনুষ্ঠানিকভাবে দুটি প্যারামিটার রয়েছে, এর মাত্র একটি স্বাধীনতার মাত্রা আছে। এটি কেন্দ্রীয় ধারণাটি স্পষ্ট করে: প্যারামিটারের সংখ্যা অবশ্যই কার্যগত জটিলতার প্রতিনিধিত্ব করে না।
কার্যকর মাত্রা হলো তথ্য-জটিলতার একটি স্কেল-নির্ভর পরিমাপ, যা মূলত পরিসংখ্যানিক তথ্য তত্ত্বে বিকশিত হয়েছিল যাতে উপলব্ধ ডেটার আকারের ভিত্তিতে একটি মডেলের প্রকৃতভাবে সক্রিয় প্যারামিটার গণনা করা যায়। এরপর থেকে এটি ধ্রুপদী ও কোয়ান্টাম মেশিন লার্নিংয়ে গৃহীত হয়েছে একটি মডেলের প্রকাশক্ষমতা, প্রশিক্ষণযোগ্যতা এবং সাধারণীকরণের ক্ষমতা মূল্যায়নের জন্য। নির্ভুলতা, লস বা কাঁচা প্যারামিটার সংখ্যার থেকে ভিন্ন, এটি জিজ্ঞাসা করে যে একটি নির্বাচিত প্যারামিটার অঞ্চল ও ডেটা বণ্টনের জুড়ে একটি মডেলের কতগুলো আলাদাভাবে চিহ্নিতযোগ্য প্যারামিটার দিক রয়েছে।
গুরুত্বপূর্ণভাবে, কার্যকর মাত্রা সাধারণীকরণের সাথে সম্পর্কিত। এই কাঠামোর অনুমানের অধীনে, এটি সাধারণীকরণ কর্মক্ষমতার উপর জটিলতা-নির্ভর একটি সীমা প্রদান করতে পারে। এটি দুই-অংশের সিরিজের প্রথম অংশ; দ্বিতীয় অংশে দেখানো হবে কীভাবে মেশিন-লার্নিং পরীক্ষায় কার্যকর মাত্রার হিসাব বাস্তবায়ন করতে হয়।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing