স্ক্র্যাচ থেকে কীভাবে ডেটা বিজ্ঞান প্রকল্প তৈরি করবেন

বার্লিনের ভাড়া মূল্যের বিশ্লেষণের ভিত্তিতে একটি বিক্ষোভ

অনেকগুলি অনলাইন ডেটা বিজ্ঞান এবং মেশিন লার্নিং কোর্স রয়েছে যা আপনাকে তত্ত্বের মাধ্যমে নিয়ে যাবে এবং আপনাকে কিছু কোড উদাহরণ এবং খুব পরিষ্কার ডেটার বিশ্লেষণ দেবে।

যাইহোক, ডেটা বিজ্ঞানের চর্চা করতে, একটি বাস্তব সমস্যা নিয়ে প্রশ্ন করা ভাল to গভীর অন্তর্দৃষ্টি পেতে ডেটা ব্রাউজ করুন। অতিরিক্ত ডেটা উত্স ব্যবহার করে বৈশিষ্ট্য ইঞ্জিনিয়ারিং সম্পাদন করুন এবং স্বতন্ত্র মেশিন লার্নিং পাইপলাইন তৈরি করুন।

এই ব্লগ পোস্টটি আপনাকে স্ক্র্যাচ থেকে ডেটা সায়েন্স প্রকল্প তৈরির সবচেয়ে গুরুত্বপূর্ণ পদক্ষেপগুলির গাইড করে। এটি একটি বাস্তব সমস্যার উপর ভিত্তি করে - বার্লিনে ভাড়া মূল্যের মূল চালকগুলি কী? এই পরিস্থিতির একটি বিশ্লেষণ হবে। এটি মেশিন লার্নিংয়ের ক্ষেত্রে প্রাথমিকভাবে করা সাধারণ ভুলগুলিও চিহ্নিত করে।

এগুলি সেই পদক্ষেপগুলি সম্পর্কে বিস্তারিত আলোচনা করা হয়েছে:

  • একটি বিষয় সন্ধান করুন
  • ওয়েব থেকে ডেটা বের করুন এবং পরিষ্কার করুন
  • গভীর অন্তর্দৃষ্টি অর্জন
  • বাহ্যিক এপিআই ব্যবহার করে ফাংশনগুলির বিকাশ
  • মেশিন লার্নিংয়ে সাধারণ ভুল
  • বৈশিষ্ট্যটির গুরুত্ব: ভাড়া মূল্যের ড্রাইভারগুলি সন্ধান করা
  • মেশিন লার্নিং মডেল তৈরি করুন।

একটি বিষয় সন্ধান করুন

ডেটা বিশ্লেষণ করে অনেকগুলি সমস্যা সমাধান করা যেতে পারে। যাইহোক, আপনার আগ্রহ এবং এটি আপনাকে উত্সাহিত করে এমন কোনও সমস্যা খুঁজে পাওয়া সর্বদা ভাল। কোনও বিষয় অনুসন্ধান করার সময় অবশ্যই আপনার পছন্দ এবং আগ্রহের দিকে মনোনিবেশ করা উচিত।

উদাহরণস্বরূপ, আপনি যদি স্বাস্থ্য ব্যবস্থায় আগ্রহী হন তবে অনেকগুলি দৃষ্টিভঙ্গি রয়েছে যা থেকে আপনি এই বিষয়টিতে সরবরাহিত ডেটা নিয়ে প্রশ্ন করতে পারেন। "চেস্ট এক্স্রেডি 14 রেকর্ড ব্রাউজিং: সমস্যাগুলি" কীভাবে মেডিকেল ডেটার গুণমান নিয়ে প্রশ্ন করা যেতে পারে তার একটি উদাহরণ। আর একটি উদাহরণ: আপনি যদি সংগীতে আগ্রহী হন তবে আপনি অডিওর উপর ভিত্তি করে সংগীত জেনারটি পূর্বাভাস দেওয়ার চেষ্টা করতে পারেন।

তবে, আমি কেবল আপনার আগ্রহের দিকে মনোনিবেশ না করে আপনার চারপাশের লোকেরা কী বলছে তা শোনার পরামর্শ দিচ্ছি। কি বিরক্ত করছে তোমাকে? তারা কী অভিযোগ করছে? এটি একটি ডেটা সায়েন্স প্রকল্পের জন্য ধারণাগুলির আর একটি ভাল উত্স হতে পারে। লোকেরা এখনও অভিযোগ করছে এমন ক্ষেত্রে, এর অর্থ এই হতে পারে যে প্রথমবারের মতো সমস্যাটি সঠিকভাবে সমাধান করা হয়নি। সুতরাং আপনি যদি এটি ডেটা নিয়ে প্রশ্ন করেন তবে আপনি আরও ভাল সমাধান দিতে এবং এই বিষয়টির উপলব্ধি প্রভাবিত করতে পারেন।

এটি সমস্ত কিছুটা বিমূর্ত বলে মনে হতে পারে। সুতরাং আসুন জেনে নেওয়া যাক আমি কীভাবে বার্লিনের ভাড়া সংক্রান্ত মূল্য বিশ্লেষণের ধারণাটি নিয়ে এসেছি।

"যদি আমি জানতাম যে এখানে ভাড়াগুলির দাম এত বেশি ছিল, তবে আমি উচ্চতর বেতনের বিষয়ে আলোচনা করতাম" "

এটি সম্প্রতি এমন লোকদের কাছ থেকে শুনেছি যারা সম্প্রতি বার্লিনে কাজের জন্য চলে এসেছিল। বেশিরভাগ নতুন আগত ব্যক্তি অভিযোগ করেছিলেন যে তারা বার্লিনকে এত ব্যয়বহুল বলে কল্পনাও করেনি এবং অ্যাপার্টমেন্টের সম্ভাব্য দামের সীমা সম্পর্কে কোনও পরিসংখ্যান নেই। যদি তারা আগেই এটি জানত তবে তারা আবেদন প্রক্রিয়া চলাকালীন উচ্চতর বেতন বা অন্যান্য বিকল্প বিবেচনা করতে পারত।

আমি বেশ কয়েকটি ভাড়ার সম্পত্তি সম্পর্কিত ওয়েবসাইটগুলি গুগল করেছিলাম, এবং বেশ কয়েকজনকে জিজ্ঞাসা করেছি, তবে বর্তমান বাজারের দামের কোনও গ্রহণযোগ্য পরিসংখ্যান বা দৃশ্যায়ন খুঁজে পাইনি। এবং এইভাবেই আমি এই বিশ্লেষণের ধারণাটি নিয়ে এসেছি।

আমি ডেটা সংগ্রহ করতে, একটি ইন্টারেক্টিভ ড্যাশবোর্ড তৈরি করতে চেয়েছিলাম যেখানে আপনি বিভিন্ন বিকল্প বেছে নিতে পারেন, যেমন। বি। বার্লিন মিটে বারান্দা এবং সজ্জিত রান্নাঘর সহ একটি 40 m² অ্যাপার্টমেন্ট, এবং দামের সীমা প্রদর্শন করুন। এই একা লোকেরা বার্লিনে অ্যাপার্টমেন্টের দাম বুঝতে সহায়তা করবে। মেশিন লার্নিং ব্যবহার করে, আমি ভাড়া সংক্রান্ত দামের ড্রাইভারগুলি সনাক্ত করতে এবং বিভিন্ন মেশিন লার্নিং অ্যালগরিদমের সাথে অনুশীলন করতে পারি।

ওয়েব থেকে ডেটা বের করুন এবং পরিষ্কার করুন

ডেটা পান

আপনার ডেটা বিজ্ঞান প্রকল্পের ধারণা পাওয়ার পরে আপনি ডেটাটি অনুসন্ধান করতে পারেন। কাগজ, ইউসিআই এমএল সংগ্রহস্থল বা ডেটা সেটগুলির জন্য অনুসন্ধান ইঞ্জিনগুলির পাশাপাশি ডেটা সেটের সাথে বৈজ্ঞানিক নিবন্ধ যুক্ত ওয়েবসাইটগুলির মতো অসংখ্য চমত্কার উপাত্ত সংগ্রহস্থল রয়েছে। বিকল্পভাবে, আপনি ওয়েব স্ক্র্যাপিং ব্যবহার করতে পারেন।

তবে সতর্কতা অবলম্বন করুন - পুরানো ডেটা সর্বত্র রয়েছে। যখন আমি বার্লিনে ভাড়া সংক্রান্ত দামের তথ্য অনুসন্ধান করছিলাম, তখন আমি অনেকগুলি দৃশ্যমানকরণ পেয়েছি যা পুরানো বা এক বছর ছাড়া ছিল without

কিছু পরিসংখ্যানের জন্য এমনকি এটিও উল্লেখ করা হয়েছিল যে এই দামটি কেবল আসবাব ব্যতীত 50 এম 2 এর 2 কক্ষের অ্যাপার্টমেন্টে প্রযোজ্য। তবে কি যদি আমি একটি সজ্জিত রান্নাঘর সহ একটি ছোট অ্যাপার্টমেন্ট খুঁজছি?

পুরানো ডেটা সর্বত্র।

যেহেতু আমি কেবল পুরানো ডেটা সন্ধান করতে পারি, তাই অনলাইনে ভাড়া অ্যাপার্টমেন্টগুলি দেওয়া ওয়েবসাইটগুলি অনুসন্ধান করার সিদ্ধান্ত নিয়েছি। ওয়েব স্ক্র্যাপিং একটি প্রযুক্তি যা একটি স্বয়ংক্রিয় প্রক্রিয়াটির মাধ্যমে ওয়েবসাইটগুলি থেকে ডেটা আহরণের জন্য ব্যবহৃত হয়।

ওয়েব স্ক্র্যাপিংয়ের উপর আমার ব্লগ পোস্টে আমি ওয়েব স্ক্র্যাপিংয়ের সমস্যাগুলি এবং নকশার নিদর্শনগুলির বিশদটি নিয়ে যাই।

মূল ফলাফলগুলি এখানে:

  • স্ক্র্যাপ করার আগে, সর্বজনীন এপিআই উপলব্ধ কিনা তা পরীক্ষা করে দেখুন
  • বন্ধুত্বপূর্ণ হন! প্রতি সেকেন্ডে কয়েক শত অনুরোধ প্রেরণ করে ওয়েবসাইটটি ওভারলোড করবেন না
  • নিষেধাজ্ঞার তারিখটি সংরক্ষণ করুন। এটি কেন গুরুত্বপূর্ণ তা ব্যাখ্যা করে।

তথ্য পরিষ্কার

একবার আপনি ডেটা পুনরুদ্ধার শুরু করার পরে, সম্ভাব্য সমস্যাগুলি খুঁজে পাওয়ার জন্য এটি যত তাড়াতাড়ি সম্ভব এটি পর্যালোচনা করা খুব গুরুত্বপূর্ণ।

ওয়েব স্ক্র্যাপিংয়ের জন্য loanণের ডেটা সংকলন করার সময়, আমি কিছু ছোট চেক করেছি, উদাঃ বি। সমস্ত ফাংশনের জন্য অনুপস্থিত মানগুলির সংখ্যা values ওয়েবমাস্টাররা ওয়েবসাইটের এইচটিএমএল কোডটি পরিবর্তন করতে পারে, যার ফলে আমার প্রোগ্রামটি আর ডেটা গ্রহণ করবে না।

ওয়েব স্ক্র্যাপিংয়ের সমস্ত প্রযুক্তিগত দিকগুলি কভার করা হয়েছে তা নিশ্চিত করার পরে, আমি ভেবেছিলাম ডেটা প্রায় আদর্শ হবে। যাইহোক, কম স্পষ্ট নকলের কারণে, আমি প্রায় এক সপ্তাহের জন্য ডেটা সাফ করেছি।

একবার আপনি ডেটা পুনরুদ্ধার শুরু করার পরে, সম্ভাব্য সমস্যাগুলি খুঁজে পাওয়ার জন্য এটি যত তাড়াতাড়ি সম্ভব এটি পর্যালোচনা করা খুব গুরুত্বপূর্ণ। উদাহরণস্বরূপ, আপনি যদি ইন্টারনেটে স্ক্র্যাপ করেন তবে আপনি কিছু গুরুত্বপূর্ণ ক্ষেত্র মিস করতে পারেন। আপনি যদি কোনও ফাইলে ডেটা সংরক্ষণ করার সময় কমা ডিলিমিটার ব্যবহার করেন এবং কোনও একটি ক্ষেত্রে কমাও রয়েছে, এর ফলে ফাইলগুলি পৃথক পৃথক না হয়ে থাকতে পারে।

ILLUSION বনাম বাস্তবতা

সদৃশগুলির জন্য বেশ কয়েকটি উত্স ছিল:

  • ডাবল অ্যাপার্টমেন্টগুলি কারণ তারা কিছু সময়ের জন্য অনলাইনে রয়েছে
  • এজেন্সিগুলির ইনপুট ত্রুটি ছিল, উদাহরণস্বরূপ ভাড়া দাম বা অ্যাপার্টমেন্টের মেঝে। তারা কিছুক্ষণ পরে এটিকে সংশোধন করেছে বা সংশোধন করা মান এবং বর্ণনায় অতিরিক্ত পরিবর্তন সহ সম্পূর্ণ নতুন বিজ্ঞাপন প্রকাশ করেছে
  • একই অ্যাপার্টমেন্টের এক মাস পরে কিছু দাম পরিবর্তন করা (বৃদ্ধি এবং হ্রাস) করা হয়েছিল

প্রথম মামলা থেকে নকলগুলি সহজেই তাদের আইডি দ্বারা চিহ্নিত করা হয়েছিল, দ্বিতীয় মামলার নকলগুলি খুব জটিল ছিল। এটি এজন্য যে কোনও এজেন্সি কিছুটা বর্ণনা পরিবর্তন করতে পারে, ভুল দাম পরিবর্তন করতে এবং এটি একটি নতুন বিজ্ঞাপন হিসাবে প্রকাশ করতে পারে, তাই আইডিটিও নতুন।

বিজ্ঞাপনগুলির পুরানো সংস্করণগুলি ফিল্টার করার জন্য আমাকে প্রচুর যুক্তি ভিত্তিক নিয়ম নিয়ে আসতে হয়েছিল। যত তাড়াতাড়ি আমি এই অ্যাপার্টমেন্টগুলি আসল ডুপ্লিকেট ছিল তা বলতে পেরে আমি সামান্যতম পরিবর্তন করে সর্বশেষতম কনিষ্ঠ বলে বিবেচিত হয়ে সেগুলি গ্রহণের তারিখ অনুসারে তাদের বাছাই করতে সক্ষম হয়েছি।

এছাড়াও, কিছু সংস্থা এক মাস পরে একই অ্যাপার্টমেন্টের দাম বাড়িয়ে বা কমিয়ে আনত। আমাকে বলা হয়েছিল যে কেউ যদি এই অ্যাপার্টমেন্টটি না চায় তবে দাম কমবে। বিপরীতে, আমাকে বলা হয়েছিল যে এজেন্সিগুলি যখন অনেক অনুরোধ থাকে তখন দাম বাড়ায়। এটি ভাল ব্যাখ্যা মত শোনাচ্ছে।

গভীর অন্তর্দৃষ্টি অর্জন করুন

আমরা সবকিছু প্রস্তুত করার পরে, আমরা ডেটা বিশ্লেষণ শুরু করতে পারি। আমি জানি যে ডেটা বিজ্ঞানীরা সামুদ্রিক এবং ggplot2 পাশাপাশি অনেকগুলি স্থিতিশীল দৃষ্টিভঙ্গি পছন্দ করে যা থেকে তারা কিছু অন্তর্দৃষ্টি অর্জন করতে পারে।

তবে ইন্টারেক্টিভ ড্যাশবোর্ডগুলি আপনাকে এবং অন্যান্য স্টেকহোল্ডারদের দরকারী অন্তর্দৃষ্টি পেতে সহায়তা করতে পারে। অনেকগুলি বিস্ময়কর ব্যবহারকারী বান্ধব সরঞ্জাম রয়েছে যেমন টেবিল এবং মাইক্রোস্ট্রেটজি।

একটি ইন্টারেক্টিভ ড্যাশবোর্ড তৈরি করতে আমার 30 মিনিটেরও কম সময় লেগেছিল যেখানে আপনি সমস্ত মূল উপাদান নির্বাচন করতে এবং দাম কীভাবে পরিবর্তন হবে তা দেখতে পারেন।

বার্লিনের ভাড়া মূল্যের ইন্টারেক্টিভ ড্যাশবোর্ড: আপনি সমস্ত সম্ভাব্য কনফিগারেশন নির্বাচন করতে পারেন এবং সংশ্লিষ্ট মূল্য বন্টন দেখতে পারেন। (তারিখ: ওয়াইন্ডার 2017/18)

অপেক্ষাকৃত সরল ড্যাশবোর্ড ইতিমধ্যে নতুনদের বার্লিনের দামের অন্তর্দৃষ্টি দিতে পারে এবং ভাড়া অ্যাপার্টমেন্টগুলির জন্য কোনও ওয়েবসাইটের জন্য একজন ভাল ব্যবহারকারী ড্রাইভার হতে পারে।

ইতিমধ্যে এই ডেটা ভিজ্যুয়ালাইজেশন থেকে এটি দেখা যায় যে 2.5 কক্ষের দাম বিতরণ 2 ঘরের অ্যাপার্টমেন্টের বিতরণে পড়ে। এর কারণ হ'ল বেশিরভাগ 2.5-ঘরের অ্যাপার্টমেন্টগুলি শহরের কেন্দ্রস্থলে নয়, যা অবশ্যই দাম কমায়।

বার্লিনে মূল্য বিতরণ এবং অ্যাপার্টমেন্টের সংখ্যা।

এই ডেটা শীতকালে 2017/18 সালে সংগ্রহ করা হয়েছিল এবং এটিও পুরানো হবে। তবে, আমার বক্তব্যটি হল যে ভাড়ার ওয়েবসাইটগুলি এই প্রশ্নটি আরও স্বচ্ছ করতে প্রায়শই তাদের পরিসংখ্যান এবং ভিজ্যুয়ালাইজেশন আপডেট করতে পারে।

বাহ্যিক এপিআই ব্যবহার করে ফাংশনগুলির বিকাশ

ভিজ্যুয়ালাইজেশন আপনাকে গুরুত্বপূর্ণ বৈশিষ্ট্য বা "বৈশিষ্ট্য" সনাক্ত করতে সক্ষম করে যা এই মেশিন লার্নিং অ্যালগরিদমগুলি দ্বারা ব্যবহার করা যেতে পারে। আপনি যে ফাংশনগুলি ব্যবহার করেন তা যদি খুব অর্থবহ না হয় তবে কোনও অ্যালগরিদম খারাপ ভবিষ্যদ্বাণী দেবে। খুব শক্তিশালী ফাংশন সহ, এমনকি খুব সাধারণ অ্যালগরিদম মোটামুটি শালীন ফলাফল দিতে পারে।

ভাড়া মূল্যের প্রকল্পে, দামটি একটি অবিচ্ছিন্ন পরিবর্তনশীল, অর্থাত্ একটি সাধারণ রিগ্রেশন সমস্যা। নিষ্কাশিত সমস্ত তথ্য আমলে নিয়ে, আমি কোনও ভাড়া মূল্যের পূর্বাভাস দিতে সক্ষম হতে নিম্নলিখিত ফাংশনগুলি সংগ্রহ করেছি।

এগুলি ভাড়াটির মূল্যের পূর্বাভাস দেওয়ার জন্য ব্যবহৃত বেশিরভাগ কার্যাদি।

তবে, সমস্যাযুক্ত একটি বৈশিষ্ট্য ছিল, নামটি। এখানে 6.6K অ্যাপার্টমেন্ট এবং বিভিন্ন গ্রানুলারিটির প্রায় 4.4K স্বতন্ত্র ঠিকানা ছিল। প্রায় 200 টি অনন্য পোস্টকোড ছিল যা ডামি ভেরিয়েবলগুলিতে রূপান্তরিত হতে পারে তবে তারপরে একটি নির্দিষ্ট অবস্থান সম্পর্কে খুব মূল্যবান তথ্য হারিয়ে যায়।

ঠিকানার বিভিন্ন গ্রানুলারিটি: বাড়ির নম্বর সহ রাস্তা, লুকানো বাড়ির নম্বর সহ রাস্তা এবং কেবলমাত্র একটি জিপ কোড।

নতুন ঠিকানা পেলে আপনি কী করবেন? আপনি হয় গুগল এটি যেখানে বা সেখানে কিভাবে পাবেন।

নির্দিষ্ট চারটি অতিরিক্ত ফাংশনের সাথে সঙ্গতিপূর্ণ এমন একটি বাহ্যিক এপিআই ব্যবহার করে অ্যাপার্টমেন্টের ঠিকানা গণনা করা যেতে পারে:

  1. এস-বাহন ফ্রিড্রিস্টস্ট্রায় ট্রেনের যাত্রার সময়কাল

২. গাড়িতে করে সিটি সেন্টার পাতাল পর্যন্ত দূরত্ব

৩. নিকটতম মেট্রো স্টেশনে ভাড়া বাড়ানোর সময়কাল

৪.৩ কিমি ব্যাসার্ধের মধ্যে পাতাল রেল স্টেশনগুলির সংখ্যা

এই চারটি ক্রিয়াকলাপ উল্লেখযোগ্যভাবে কর্মক্ষমতা বৃদ্ধি করেছে।

মেশিন লার্নিং এবং ডেটা সায়েন্স সম্পাদন করার সময় সাধারণ ভুল

ডেটা স্ক্র্যাপিং বা পুনরুদ্ধার করার পরে, মেশিন লার্নিং মডেলটি ব্যবহার করার আগে অনেক পদক্ষেপ নেওয়া উচিত।

ডিস্ট্রিবিউশনগুলি দেখতে, আউটলিয়ারগুলি খুঁজে পেতে এবং কেন এই ধরনের বহিরাগত রয়েছে তা বুঝতে আপনাকে প্রতিটি ভেরিয়েবলের ভিজ্যুয়ালাইজ করা উচিত।

নির্দিষ্ট ফাংশনে হারিয়ে যাওয়া মানগুলি নিয়ে আপনি কী করতে পারেন?

শ্রেণিবদ্ধ বৈশিষ্ট্যগুলিকে সংখ্যাসূচক রূপান্তর করার সর্বোত্তম উপায় কী?

এই জাতীয় অনেক প্রশ্ন রয়েছে, তবে আমি বেশিরভাগ প্রাথমিকের ভুলগুলির মুখোমুখি হওয়া প্রশ্নগুলিতে কিছু বিবরণ দেব।

1. ভিজ্যুয়ালাইজেশন

প্রথমে, প্রচুর বিদেশী রয়েছেন কিনা, বন্টনটি কেমন হবে এবং এটি কী অর্থবোধ করে কিনা তা অনুভব করার জন্য আপনার চলমান বৈশিষ্ট্যগুলির বিতরণটি দেখতে হবে।

এটি দেখার জন্য বিভিন্ন উপায় রয়েছে, উদাঃ বি বক্স প্লট, হিস্টোগ্রাম, ক্রম বিতরণ ফাংশন এবং বেহালা প্লট। তবে আপনার চার্টটি নির্বাচন করা উচিত যা ডেটা সম্পর্কে সর্বাধিক তথ্য সরবরাহ করে।

বিতরণটি দেখতে (এটি যদি স্বাভাবিক বা দ্বিপদী হয়), হিস্টোগ্রামগুলি সবচেয়ে সহায়ক। যদিও হিস্টোগ্রামগুলি একটি ভাল সূচনা পয়েন্ট, বক্স প্লটগুলি বিদেশী সংখ্যা এবং মধ্য কোয়ার্টাইলগুলি কোথায় রয়েছে তা আরও ভালভাবে সনাক্ত করতে পারে।

ক্রিয়াগুলির উপর ভিত্তি করে, সবচেয়ে আকর্ষণীয় প্রশ্নটি হবে: আপনি যা প্রত্যাশা করেছিলেন তা কি আপনি দেখতে পাচ্ছেন? এই প্রশ্নের উত্তর দেওয়া আপনাকে অন্তর্দৃষ্টি বা ডেটাতে ত্রুটিগুলি খুঁজে পেতে সহায়তা করবে।

কোন প্লটটির সর্বাধিক মূল্য রয়েছে তা অনুপ্রেরণা পেতে এবং বুঝতে, আমি প্রায়শই পাইথনের সমুদ্রযুক্ত গ্যালারী উল্লেখ করেছি to ভিজ্যুয়ালাইজেশন এবং অন্তর্দৃষ্টি অনুসন্ধানের জন্য আরও ভাল অনুপ্রেরণার উত্স হ'ল কেগল-এ কার্নেল। টাইটানিক ডেটা সেটটির বিশদ দৃশ্যধারণের জন্য এখানে আমার কাগল কার্নেলটি রয়েছে।

ভাড়া সংক্রান্ত দামের সাথে সম্পর্কিত, আমি স্বতন্ত্র ধারাবাহিক বৈশিষ্ট্যগুলির হিস্টোগ্রামগুলি রেকর্ড করেছিলাম এবং বিলটি ছাড়াই এবং মোট ক্ষেত্রবিহীন ভাড়াটি বন্টনের দীর্ঘ ডান লেজ থাকবে বলে আশা করি।

অবিচ্ছিন্ন বৈশিষ্ট্যগুলির হিস্টোগ্রাম

বক্সপ্লটগুলি ব্যবহার করে, প্রতিটি বৈশিষ্ট্যের জন্য আমি বহিরাগতদের সংখ্যা নির্ধারণ করতে সক্ষম হয়েছি। প্রকৃতপক্ষে, ভাড়া-মুক্ত বিলের ভিত্তিতে আউটলিয়ার সহ বেশিরভাগ ফ্ল্যাটগুলি হয় 200 এমএরও বেশি মাইলের ছোট ছোট দোকানগুলির স্টুডিও বা খুব কম ভাড়া সহ ছাত্র ছাত্রাবাসগুলি।

অবিচ্ছিন্ন ফাংশন সহ বক্সপ্লট

২. আমি কী পুরো ডেটা সেটের ভিত্তিতে মানগুলি গণনা করি?

কখনও কখনও মান বিভিন্ন কারণে অনুপস্থিত। আমরা যদি কমপক্ষে একটি অনুপস্থিত মান সহ প্রতিটি পর্যবেক্ষণ বাদ দিই, তবে আমরা খুব হ্রাসযুক্ত ডেটা সেট পেতে পারি।

মান, গড় বা মধ্যমা নির্দিষ্ট করার জন্য অনেকগুলি উপায় রয়েছে। আপনি এটি কীভাবে করবেন তা আপনার উপর নির্ভর করে তবে নিশ্চিত করুন যে আপনি পরীক্ষার সেট থেকে ডেটা ফাঁস এড়াতে প্রশিক্ষণ ডেটার জন্য অভিশাপের পরিসংখ্যান কেবল গণনা করেছেন।

ভাড়া তথ্যতে আমি অ্যাপার্টমেন্টের একটি বিবরণও বের করেছি। যখনই অ্যাপার্টমেন্টের গুণমান, শর্ত বা প্রকারের অনুপস্থিত ছিলাম, বিবরণে এই তথ্যটি উপস্থিত থাকলে আমি বিবরণ থেকে তা নেব।

৩. আমি কীভাবে শ্রেণিবদ্ধ ভেরিয়েবলগুলি রূপান্তর করব?

বাস্তবায়নের উপর নির্ভর করে কিছু অ্যালগরিদমগুলি সরাসরি শ্রেণিবদ্ধ ডেটার সাথে কাজ করে না, তাই তাদের কোনওভাবে কোনওভাবে সংখ্যাসূচক মানগুলিতে রূপান্তর করতে হবে।

শ্রেণিবদ্ধ ভেরিয়েবলগুলি সংখ্যাসূচক বৈশিষ্ট্যে রূপান্তর করার অনেকগুলি উপায় রয়েছে, উদাঃ বি। লেবেল এনকোডার, একটি হট এনকোডিং, বিন এনকোডিং এবং হ্যাশিং এনকোডিং। বেশিরভাগ লোকেরা, পরিবর্তে ওয়ান-হট এনকোডিং ব্যবহার করা উচিত থাকলে লেবেল এনকোডিংয়ের অপব্যবহার করে।

আমাদের ভাড়ার ডেটা ধরে ধরে নিন যে আমাদের সাথে নীচের মানগুলির সাথে অ্যাপার্টমেন্টের ধরণের কলাম রয়েছে: [নিচতলা, অ্যাটিক, মাইসনেট, অ্যাটিক, অ্যাটিক, গ্রাউন্ড ফ্লোর]। LabelEncoder এটিকে [3,2,1,2,2,1] এ রূপান্তর করতে পারে, যা অর্ডিনালটির পরিচয় দেয়, যার অর্থ গ্রাউন্ড_ফ্লোর> লাউট> মাইসনেট। কিছু সিদ্ধান্ত অ্যালগরিদমের যেমন সিদ্ধান্ত গাছ এবং তাদের প্রকরণের জন্য, এই ধরণের কোডিং এই ফাংশনটির জন্য ঠিক আছে, তবে রেজিস্ট্রেশন এবং এসভিএম প্রয়োগ করা এতটা অর্থবোধ করতে পারে না।

শর্তটি ভাড়া মূল্যের ডেটা রেকর্ডে নিম্নরূপ কোড করা হয়েছে:

  • নতুন: 1
  • সংস্কার: 2
  • সংস্কারের প্রয়োজন: 3

এবং মানের হিসাবে:

  • বিলাসিতা: ১
  • স্বাভাবিকের চেয়ে ভাল: ২
  • স্বাভাবিক: 3
  • সহজ: 4
  • অজানা: 5

৪) আমাকে কী ভেরিয়েবল মানক করতে হবে?

মানককরণ সমস্ত ধ্রুবক ভেরিয়েবলগুলি একই স্কেলে নিয়ে আসে, অর্থাত্ যদি কোনও ভেরিয়েবলের মান 1 কে থেকে 1 এম এবং অন্য একটি 0.1 থেকে 1 পর্যন্ত থাকে তবে মানককরণের পরে তাদের সমান পরিসীমা থাকে।

এল 1 বা এল 2 নিয়মিতকরণ ওভারফিটগুলি হ্রাস করার সাধারণ উপায় এবং অনেকগুলি রিগ্রেশন অ্যালগরিদমে ব্যবহার করা যেতে পারে। তবে, এল 1 বা এল 2 এর আগে বৈশিষ্ট্যটির মানককরণ প্রয়োগ করা গুরুত্বপূর্ণ।

ভাড়াটির মূল্য ইউরোতে দেওয়া হয়, সুতরাং মূল্যটি সেন্টে দেওয়া হলে অ্যাডজাস্টেড সহগের সমন্বয়যোগ্য সহগের তুলনায় প্রায় 100 গুণ বেশি হবে। L1 এবং L2 বৃহত্তর সহগের তুলনায় আরও অসুবিধে, যার অর্থ বৈশিষ্ট্যগুলি আরও ছোট আকারে আরও সুবিধাবঞ্চিত। এটি রোধ করতে, এল 1 বা এল 2 প্রয়োগের আগে বৈশিষ্ট্যগুলি মানক করা উচিত।

প্রমিতকরণের আর একটি কারণ হ'ল গ্রেডিয়েন্ট হ্রাস বৈশিষ্ট্য স্কেলিংয়ের সাথে গ্রেডিয়েন্ট হ্রাস ব্যবহার করার সময় অনেক দ্রুত রূপান্তরিত হয়।

৫. আমাকে লক্ষ্য ভেরিয়েবলের লগারিদম বের করতে হবে?

সর্বজনীন উত্তর নেই তা বুঝতে আমার কিছুটা সময় লেগেছে।

এটি অনেকগুলি বিষয়ের উপর নির্ভর করে:

  • আপনি বিরতি বা নিখুঁত ভুল চান কিনা
  • আপনি কোন অ্যালগরিদম ব্যবহার করেন?
  • আর কী গ্রাফ এবং মেট্রিকের পরিবর্তনগুলি আপনি দেখতে পাচ্ছেন?

পুনরায় চাপ দেওয়ার সময় প্রথমে অবশিষ্ট অবধি এবং ম্যাট্রিকগুলি দেখুন। কখনও কখনও টার্গেট ভেরিয়েবলগুলি লগারিদমাইজ করা একটি ভাল মডেলের দিকে নিয়ে যায় এবং মডেলের ফলাফলগুলি এখনও বোঝা সহজ। তবে, এমন আরও রূপান্তর রয়েছে যা আগ্রহী হতে পারে, যেমন। বি। মূল টানুন।

এই প্রশ্ন সম্পর্কিত ওভারফ্লো স্ট্যাকের অনেক উত্তর রয়েছে এবং আমি মনে করি কাঁচা এবং লগ টার্গেট ভেরিয়েবলগুলির জন্য অবশিষ্ট প্লট এবং আরএমএসই এটি খুব ভালভাবে ব্যাখ্যা করে।

ভাড়ার তারিখগুলির জন্য, আমি দামের লগারিদমটি উত্পন্ন করেছি, যেহেতু অবশিষ্ট প্লটগুলি আরও ভাল দেখায়।

পরিবর্তনীয় গণনা ছাড়াই ভাড়ার লগারিদম (বাম) এবং অপরিবর্তিত তথ্য (ডান) এর অবশিষ্ট চিত্রগুলি। ডান চিত্রটি

6. আরও গুরুত্বপূর্ণ কিছু

কিছু অ্যালগরিদম, যেমন বি রেগ্রেশনগুলি উপাত্তগুলির প্রান্তরেখায় ভোগে কারণ সহগগুলি খুব অস্থির হয়ে ওঠে (আরও গণিত)। কার্নেল নির্বাচনের কারণে এসভিএমের সহপাঠ্য থাকতে পারে বা নাও থাকতে পারে।

সিদ্ধান্তভিত্তিক অ্যালগোরিদমগুলি বহুবিধ লাইনে আক্রান্ত হয় না কারণ তারা পারফরম্যান্সকে প্রভাবিত না করেই বিভিন্ন গাছে বিনিময়যোগ্য বৈশিষ্ট্য ব্যবহার করতে পারে। তবে, বৈশিষ্ট্যগুলির অর্থ ব্যাখ্যা করা তখন আরও কঠিন হয়ে যায়, যেহেতু পারস্পরিক সম্পর্কযুক্ত ভেরিয়েবলটি তত গুরুত্বপূর্ণ হিসাবে দেখা যায় না।

মেশিন শিখুন

নিজেকে ডেটা দিয়ে পরিচিত করার পরে এবং বিদেশীদের সাফ করার পরে, নিজেকে মেশিন লার্নিংয়ের সাথে পরিচিত করার উপযুক্ত সময়। এই তত্ত্বাবধানে থাকা মেশিন লার্নিংয়ের জন্য আপনি অনেক অ্যালগরিদম ব্যবহার করতে পারেন।

পারফরম্যান্স পার্থক্য এবং গতির মতো বৈশিষ্ট্যগুলির তুলনা করতে আমি তিনটি পৃথক অ্যালগরিদম পরীক্ষা করতে চেয়েছিলাম। এই তিনটি বিভিন্ন বাস্তবায়ন (এক্সজিবিস্ট এবং লাইটজিএমবি), র‌্যান্ডম ফরেস্ট (এফআর, সাইকিট-লার্ন) এবং 3-স্তরীয় নিউরাল নেটওয়ার্কগুলি (এনএন, টেনসারের প্রবাহ) সহ গ্রেডিয়েন্ট-বর্ধিত গাছ ছিল। প্রক্রিয়াটি অনুকূলকরণের জন্য আমি মেট্রিক হিসাবে আরএমএসএল (রুট মিন স্কোয়ার্ড লোগারিদম ত্রুটি) বেছে নিয়েছি। আমি আরএমএসএল ব্যবহার করেছি কারণ আমি লক্ষ্য ভেরিয়েবলের লগারিদম প্রাপ্ত করেছি।

এক্সজিবিস্ট এবং লিগথজিবি তুলনামূলকভাবে পারফর্ম করেছে, আরএফ কিছুটা খারাপ, অন্যদিকে এনএন সবচেয়ে খারাপ অভিনয় করেছে।

পরীক্ষার সেটটিতে অ্যালগরিদমের পারফরম্যান্স (আরএমএসএল)।

সিদ্ধান্ত গাছ-ভিত্তিক অ্যালগরিদমগুলি বৈশিষ্ট্যগুলি খুব ভালভাবে ব্যাখ্যা করতে পারে। উদাহরণস্বরূপ, তারা গুরুত্বের জন্য একটি বৈশিষ্ট্যযুক্ত মান উত্পন্ন করে।

বৈশিষ্ট্যটির গুরুত্ব: ভাড়া মূল্যের ড্রাইভারটি সন্ধান করুন

সিদ্ধান্তের গাছের উপর ভিত্তি করে কোনও মডেলকে কাস্টমাইজ করার পরে, আপনি দেখতে পারেন দামের পূর্বাভাসের জন্য কোন কার্যগুলি সবচেয়ে মূল্যবান।

বৈশিষ্ট্যটির গুরুত্বটি এমন একটি রেটিং নির্দিষ্ট করে যা ইঙ্গিত দেয় যে মডেলটিতে সিদ্ধান্ত গাছগুলি তৈরি করার সময় পৃথক বৈশিষ্ট্যগুলি কতটা তথ্যপূর্ণ ছিল। এই স্কোর গণনা করার একটি উপায় হ'ল সমস্ত গাছ জুড়ে ডেটা বিভক্ত করতে কোনও বৈশিষ্ট্যটি ব্যবহৃত হয়েছে তার সংখ্যা গণনা। এই স্কোরটি বিভিন্ন উপায়ে গণনা করা যায়।

বৈশিষ্ট্যগুলির গুরুত্ব কী মূল্যের ড্রাইভারগুলির মধ্যে অন্যান্য অন্তর্দৃষ্টি সরবরাহ করতে পারে।

ভাড়ার মূল্যের পূর্বাভাস দেওয়ার কথা বলতে গেলে মোট আঞ্চলিক মূল্যের মূল চালক এটি অবাক হওয়ার কিছু নেই। মজার বিষয় হল, বাহ্যিক এপিআই দিয়ে তৈরি করা কয়েকটি ফাংশন সর্বাধিক গুরুত্বপূর্ণ ফাংশনগুলির মধ্যে রয়েছে।

বিভাগ (শীর্ষ) এবং শক্তিবৃদ্ধি (নীচে) দ্বারা গণনা করা বৈশিষ্ট্যযুক্ত অর্থ

"এক্সজিবিস্টের সাথে ইন্টারপ্রিটেবল মেশিন লার্নিং" তে উল্লিখিত হিসাবে, অ্যাসাইনমেন্ট বিকল্পের উপর নির্ভর করে বৈশিষ্ট্যটির গুরুত্বের ক্ষেত্রে অসঙ্গতি থাকতে পারে। লিঙ্কযুক্ত ব্লগ পোস্ট এবং শ্যাপ এনআইপিএস পেপারের লেখক এমন বৈশিষ্ট্যগুলির গুরুত্ব গণনা করার জন্য একটি নতুন পদ্ধতির পরামর্শ দিয়েছেন যা উভয়ই সঠিক এবং সামঞ্জস্যপূর্ণ। এটি শ্যাপ-পাইথন লাইব্রেরি ব্যবহার করে। শ্যাপ মানগুলি মডেল আউটপুট পরিবর্তনের জন্য কোনও বৈশিষ্ট্যের দায়বদ্ধতার প্রতিনিধিত্ব করে।

ভাড়া মূল্যের তথ্য বিশ্লেষণের ফলাফল নিম্নলিখিত চিত্রটিতে প্রদর্শিত হবে।

প্রতিটি অ্যাপার্টমেন্ট প্রতিটি সারিতে একটি বিন্দু আছে। পয়েন্টের এক্স অবস্থান হ'ল গ্রাহকের জন্য মডেলটির পূর্বাভাসের উপর এই বৈশিষ্ট্যটির প্রভাব এবং পয়েন্টের রঙ অ্যাপার্টমেন্টের জন্য এই বৈশিষ্ট্যের মূল্য নির্দেশ করে

চিত্রটিতে প্রচুর মূল্যবান তথ্য রয়েছে (বৈশিষ্ট্যগুলি গড় (| গাছের শাপ |) অনুযায়ী সাজানো হয়)। ছোট দাবি অস্বীকার: তথ্যগুলি 2018 সালের শুরু থেকে; জেলা বিকাশ করতে পারে এবং তাই দাম-নির্ভর কারণগুলি পরিবর্তন করতে পারে।

  • শহরের কেন্দ্রের সান্নিধ্য (গাড়িতে করে পাতাল রেল শহর কেন্দ্রের কিলোমিটার এবং এস-বাহন ফ্রিড্রিস্ট্রাস্ট্রে ট্রেনের যাত্রার সময়কাল) পূর্বাভাসের ভাড়াটির দাম বাড়িয়ে তোলে
  • ভাড়া মূল্যের সবচেয়ে শক্তিশালী ড্রাইভার হিসাবে মোট অঞ্চল
  • অ্যাপার্টমেন্টের মালিকের যদি আপনার কম আয়ের শংসাপত্রের প্রয়োজন হয় তবে পূর্বাভাসের দাম কম হবে
  • এই জেলাগুলিতে অ্যাপার্টমেন্ট ভাড়া দেওয়ার ফলে ভাড়াগুলিও বাড়বে: মিত্তে, প্রেনজ্লাওয়ের বার্গ, উইলমারসর্ফ, শার্লটেনবার্গ, জেলেনডারফ এবং ফ্রেড্রিচশাইন।
  • কম দামের জেলাগুলি হ'ল: স্পানডাও, টেম্পেলহফ, ওয়েডিং এবং রাইনিকেন্ডারফ
  • স্পষ্টতই, একটি অ্যাপার্টমেন্ট ভাল অবস্থায় রয়েছে - নিম্ন মানের, ভাল - আরও ভাল মানের - মানটি যত কম হয়, আসবাবগুলি আরও বেশি ব্যয়বহুল, রান্নাঘর এবং লিফট হয়

নিম্নলিখিত বৈশিষ্ট্যগুলির প্রভাব আকর্ষণীয়:

  • পরবর্তী মেট্রো স্টেশন সময়
  • 1 কিলোমিটারের মধ্যে স্টেশনগুলির সংখ্যা।

নিকটতম মেট্রো স্টেশনের সময়: মনে হচ্ছে কিছু অ্যাপার্টমেন্টের জন্য এই ফাংশনের উচ্চ মূল্য উচ্চতর দাম নির্দেশ করে। এর কারণ হ'ল এই অ্যাপার্টমেন্টগুলি বার্লিনের বাইরে খুব ধনী আবাসিক এলাকায় অবস্থিত।

আপনি আরও দেখতে পারেন যে পাতাল রেল স্টেশনের সান্নিধ্যের দুটি দিক রয়েছে: এটি কিছু অ্যাপার্টমেন্টের দাম কমিয়ে দেয় এবং বৃদ্ধি করে। কারণটি হতে পারে যে পাতাল রেল স্টেশনের খুব কাছাকাছি থাকা অ্যাপার্টমেন্টগুলিও ট্রেনগুলির ফলে শব্দ বা কম্পনে ভোগে, তবে অন্যদিকে পাবলিক ট্রান্সপোর্টের সাথে ভাল যোগাযোগ রয়েছে। তবে, এই বৈশিষ্ট্যটি আরও ঘনিষ্ঠভাবে পরীক্ষা করা যেতে পারে, কারণ এটি কেবল নিকটবর্তী সাবওয়ে স্টেশনগুলিতে এবং ট্রাম / বাস স্টপগুলির কাছে নয় shows

1 কিলোমিটার ব্যাসার্ধের মধ্যে স্টেশনগুলির সংখ্যা: একইটি এক কিলোমিটার ব্যাসার্ধের মধ্যে স্টেশনগুলির সংখ্যার ক্ষেত্রে প্রযোজ্য। এলাকার অনেক পাতাল রেল স্টেশনগুলি সাধারণত ভাড়াটির দাম বাড়িয়ে তোলে। তবে এটির নেতিবাচক প্রভাবও পড়েছিল - বেশি শব্দ।

গড় গড় সংগ্রহ

বিভিন্ন মডেলের সাথে ঘুরে দেখার পরে এবং পারফরম্যান্সের তুলনা করার পরে, আপনি কেবল পৃথক মডেলের ফলাফলগুলি একত্রিত করতে পারেন এবং একটি নকশা তৈরি করতে পারেন!

ব্যাগিং হল এনসেম্বল মেশিন লার্নিং মডেল যা চূড়ান্ত সামগ্রিক পূর্বাভাসগুলি গণনা করতে একাধিক অ্যালগরিদমের ভবিষ্যদ্বাণী ব্যবহার করে। এটি ওভারফিটিং প্রতিরোধ এবং অ্যালগরিদমের বৈকল্পিকতা হ্রাস করার জন্য ডিজাইন করা হয়েছে।

নকশাগুলি ব্যবহারের সুবিধা: লাল মডেল নীচের বাম ক্ষেত্রের উপরের ডান ক্ষেত্রের নীল মডেলটিতে আরও ভাল অভিনয় করে। উভয় মডেলের পূর্বাভাসের সংমিশ্রণ সামগ্রিক কর্মক্ষমতা উন্নত করতে পারে। এখান থেকে তোলা ডুমুর।

যেহেতু আমার ইতিমধ্যে উপরোক্ত অ্যালগরিদম থেকে ভবিষ্যদ্বাণী ছিল, তাই আমি সমস্ত সম্ভাব্য উপায়ে সমস্ত চারটি মডেলকে একত্রিত করেছি এবং বৈধতা সংস্থার কার্যকর মানের উপর ভিত্তি করে সাতটি সেরা একক এবং জড়িত মডেল বেছে নিয়েছি chose

তারপরে এই সাতটি মডেলের আরএমএসএল পরীক্ষার সেটটি ব্যবহার করে গণনা করা হয়েছিল।

অ্যালগরিদমের RMSLE পরীক্ষা করুন।

তিনটি সিদ্ধান্ত গাছ-ভিত্তিক অ্যালগরিদমগুলির সংকলন প্রতিটি পৃথক মডেলের তুলনায় সেরা পারফর্ম করে।

আপনি একটি ওজনযুক্ত নকশা তৈরি করতে পারেন এবং আরও ভাল ওজনকে আরও ভাল একক মডেল হিসাবে নির্ধারণ করতে পারেন। এর পিছনে যুক্তিটি হ'ল অন্য মডেলরা কেবলমাত্র সেরা মডেলকেই ওভাররাইড করতে পারে যদি তারা একসঙ্গে বিকল্পের সাথে একমত হয়।

বাস্তবে, আপনি কখনই জানতে পারবেন না যে গড়পড়তা পোশাকগুলি কেবলমাত্র চেষ্টা না করে একক মডেলের চেয়ে ভাল হবে কিনা।

সজ্জিত মডেলগুলি

বিভিন্ন মডেলের ভবিষ্যদ্বাণীগুলিকে একত্রিত করার একমাত্র উপায় গড় বা ভারযুক্ত seেঁকড়ি নয়। আপনি খুব বিভিন্ন উপায়ে মডেলগুলি স্ট্যাক করতে পারেন!

সজ্জিত মডেলের পিছনে ধারণাটি চূড়ান্ত পূর্বাভাস দেওয়ার জন্য বেস মডেলগুলির ফলাফলের ভিত্তিতে একাধিক বেস মডেল এবং একটি মেটা-মডেল তৈরি করা। তবে এটি কীভাবে মেটামোডেলকে প্রশিক্ষিত করা উচিত তা স্পষ্ট নয়, কারণ এটি সেরা বেসিক মডেলের দিকে পক্ষপাতদুষ্ট হতে পারে। এটি কীভাবে সঠিকভাবে করা যায় তার একটি খুব ভাল ব্যাখ্যা "উন্নত পূর্বাভাসের জন্য মডেলগুলি স্ট্যাকিং" নিবন্ধে পাওয়া যাবে।

ভাড়া মূল্যের বিষয়ে, সজ্জিত মডেলগুলি কার্যকর মানটি মোটেও উন্নত করতে পারেনি - তারা মাপা মানগুলি এমনকি বাড়িয়েছে। এর বেশ কয়েকটি কারণ থাকতে পারে - হয় আমি এটিকে ভুলভাবে কোড করেছিলাম;) অথবা স্ট্যাকিংয়ের মাধ্যমে খুব বেশি শব্দ শোনানো হয়েছিল।

যদি আপনি নকশাকৃত পোশাক এবং সজ্জিত মডেল আইটেমগুলি সম্পর্কে আরও জানতে চান, তবে বিভিন্ন ধরণের এনসেমব্লসের বিবরণ জন্য কাগজ এনগেম্বল ম্যানুয়াল দেখুন কর্মক্ষেত্রের তুলনা এবং এই জাতীয় স্ট্যাকযুক্ত মডেলগুলি কীভাবে কাগলস প্রতিযোগিতায় শীর্ষে এসেছিল সে সম্পর্কে টিপস।

চূড়ান্ত চিন্তা

  • আপনার চারপাশের লোকেরা কী সম্পর্কে কথা বলছেন তা শোনো; আপনার অভিযোগ একটি বড় সমস্যা সমাধানের জন্য ভাল সূচনা পয়েন্ট হিসাবে কাজ করতে পারে
  • ইন্টারেক্টিভ ড্যাশবোর্ড সরবরাহ করে লোকেরা তাদের নিজস্ব অন্তর্দৃষ্টি অর্জন করতে সক্ষম করুন
  • নিজেকে সাধারণ বৈশিষ্ট্য ইঞ্জিনিয়ারিংয়ের মধ্যে সীমাবদ্ধ করবেন না কারণ আপনি দুটি ভেরিয়েবলকে গুণান। ডেটা বা ব্যাখ্যাগুলির অতিরিক্ত উত্সগুলি অনুসন্ধান করার চেষ্টা করুন
  • নকশাগুলি এবং সজ্জিত মডেলগুলি ব্যবহার করে দেখুন কারণ এই পদ্ধতিগুলি কার্যকারিতা উন্নত করতে পারে

এবং প্রদর্শিত তথ্য তারিখ প্রবেশ করুন!

চিত্রগুলির উত্স: https://www.pinterest.de/minimalcouture/paris-apartments/ https://www.theodysseyonline.com/die- Bewegungsungskämpfe-in-Ihrer-ersten-Wohnung https://www.fashionbeans.com / সামগ্রী / দুনিয়া -10-বৃহত্তম-অ্যাপার্টমেন্ট-ডাউন-ড্রেইট-শকিং /