مشین لرننگ کے شعبے میں ، "کیپنگ" سے مراد ڈیٹاسیٹ میں متغیر یا خصوصیت پر زیادہ سے زیادہ یا کم سے کم حد طے کرنے کے عمل سے مراد ہے۔ اس تکنیک کا استعمال اکثر بیرونی افراد یا انتہائی اقدار کو کسی ماڈل کے نتائج کو ضائع کرنے اور اس کی مجموعی کارکردگی کو متاثر کرنے سے روکنے کے لئے کیا جاتا ہے۔
مشین سیکھنے میں کیپنگ اہم ہے کیونکہ آؤٹ لیئرز کسی ماڈل کی درستگی اور وشوسنییتا پر نمایاں اثر ڈال سکتے ہیں۔ آؤٹ لیئر ڈیٹا پوائنٹس ہیں جو باقی ڈیٹاسیٹ سے نمایاں طور پر مختلف ہیں اور ان نمونوں اور تعلقات کو مسخ کرسکتے ہیں جو ماڈل سیکھنے کی کوشش کر رہے ہیں۔ ان آؤٹ لیئرز کو کیپنگ کرکے ، ہم یہ یقینی بناسکتے ہیں کہ ہمارا ماڈل زیادہ مضبوط اور درست پیش گوئیاں کرنے میں بہتر ہے۔
ڈیٹاسیٹ میں باہر جانے والے افراد کو روکنے کے متعدد طریقے ہیں۔ ایک مشترکہ طریقہ یہ ہے کہ کسی متغیر کی اقدار پر ایک سخت ٹوپی طے کی جائے ، یا تو کسی خاص حد سے اوپر یا نیچے کسی بھی قدر کو چھوٹ کر یا ان کی جگہ دہلیز ویلیو کی جگہ لے کر۔ ایک اور نقطہ نظر ایک نرم ٹوپی کا استعمال کرنا ہے ، جہاں ان کو باقی ڈیٹا کے قریب لانے کے لئے باہر جانے والے افراد کو بازیافت یا تبدیل کیا جاتا ہے۔
کیپنگ کا اطلاق ڈیٹاسیٹ میں عددی اور واضح متغیر دونوں پر کیا جاسکتا ہے۔ عددی متغیر کے ل cap ، کیپنگ اس بات کو یقینی بنانے میں مدد فراہم کرسکتی ہے کہ اعداد و شمار کی تقسیم کو ماڈل کے مفروضوں کے ساتھ زیادہ قریب سے منسلک کیا گیا ہے۔ متغیر متغیرات کے لئے ، کیپنگ نایاب یا غیر معمولی زمرے کے اثرات کو کم کرنے میں مدد مل سکتی ہے جس میں قابل اعتماد ہونے کے لئے کافی اعداد و شمار نہیں ہوسکتے ہیں۔
مجموعی طور پر ، اعداد و شمار کو پیش کرنے اور ماڈلز کی کارکردگی کو بہتر بنانے کے لئے مشین لرننگ میں کیپنگ ایک اہم تکنیک ہے۔ آؤٹ لیئرز اور انتہائی اقدار پر حدود طے کرکے ، ہم زیادہ درست اور قابل اعتماد ماڈل بنانے میں مدد کرسکتے ہیں جو نئے ڈیٹا کو عام کرنے کے قابل ہیں۔ لہذا ، اگلی بار جب آپ مشین لرننگ ماڈل کے ساتھ کام کر رہے ہیں تو ، اس بات کو یقینی بنانے کے لئے کیپنگ پر عمل درآمد پر غور کریں کہ آپ کے نتائج زیادہ سے زیادہ درست اور قابل اعتماد ہوں۔