लाप्लास संशोधन - Revision history

Neeraja at 07:17, 17 September 2024

2024-09-17T07:17:25Z

← Older revision		Revision as of 12:47, 17 September 2024
Line 1:		Line 1:
	Laplace correction		Laplace correction

	~~लैपलेस~~ संशोधन (करेक्शन), जिसे योगात्मक समरेखण (एडिटिव स्मूथिंग) या लाप्लासियन समरेखण( स्मूथिंग) के रूप में भी जाना जाता है, एक तकनीक है जिसका उपयोग सांख्यिकी और मशीन लर्निंग में शून्य संभावनाओं या आवृत्तियों से सम्बन्धित गणितीय हल निकालने के लीये किया जाता है। यहाँ संभावनाओं का अनुमान लगाया जाता है या सीमित आंकड़ों के आधार पर भविष्यवाणी की जाती है।		लाप्लास संशोधन (करेक्शन), जिसे योगात्मक समरेखण (एडिटिव स्मूथिंग) या लाप्लासियन समरेखण( स्मूथिंग) के रूप में भी जाना जाता है, एक तकनीक है जिसका उपयोग सांख्यिकी और मशीन लर्निंग में शून्य संभावनाओं या आवृत्तियों से सम्बन्धित गणितीय हल निकालने के लीये किया जाता है। यहाँ संभावनाओं का अनुमान लगाया जाता है या सीमित आंकड़ों के आधार पर भविष्यवाणी की जाती है।

	संभाव्यता सिद्धांत और सांख्यिकी में, लाप्लास संशोधन का उपयोग घटनाओं के संभाव्यता अनुमानों (प्राबबिलिटी एस्टीमटेस) को समायोजित करने के लिए किया जाता है जब नमूना का आकार छोटा होता है और कुछ घटनाओं में शून्य आवृत्ति होती है। यह उन स्थितियों में विशेष रूप से उपयोगी है, जहां किसी घटना का घटित होना दुर्लभ है या नमूना आकार छोटा है, जो अपरिष्कृत अधिकतम संभावना अनुमान (मैक्समम लाइक्लीहुड एस्टिमैटर : MLE) या आवृत्ति-आधारित अनुमानक का उपयोग करते समय, अविश्वसनीय संभावना अनुमानों को जन्म दे सकता है।		संभाव्यता सिद्धांत और सांख्यिकी में, लाप्लास संशोधन का उपयोग घटनाओं के संभाव्यता अनुमानों (प्राबबिलिटी एस्टीमटेस) को समायोजित करने के लिए किया जाता है जब नमूना का आकार छोटा होता है और कुछ घटनाओं में शून्य आवृत्ति होती है। यह उन स्थितियों में विशेष रूप से उपयोगी है, जहां किसी घटना का घटित होना दुर्लभ है या नमूना आकार छोटा है, जो अपरिष्कृत अधिकतम संभावना अनुमान (मैक्समम लाइक्लीहुड एस्टिमैटर : MLE) या आवृत्ति-आधारित अनुमानक का उपयोग करते समय, अविश्वसनीय संभावना अनुमानों को जन्म दे सकता है।

Sarika at 06:19, 3 August 2023

2023-08-03T06:19:16Z

← Older revision		Revision as of 11:49, 3 August 2023
Line 25:		Line 25:
	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।		लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।

	[[Category:तरंगे]][[Category:कक्षा-11]]		[[Category:तरंगे]][[Category:कक्षा-11]][[Category:भौतिक विज्ञान]]

Sarika at 05:48, 3 August 2023

2023-08-03T05:48:37Z

← Older revision		Revision as of 11:18, 3 August 2023
Line 25:		Line 25:
	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।		लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।

	[[Category:तरंगे]]		[[Category:तरंगे]][[Category:कक्षा-11]]

Vinamra at 17:20, 9 June 2023

2023-06-09T17:20:50Z

← Older revision		Revision as of 22:50, 9 June 2023
Line 3:		Line 3:
	लैपलेस संशोधन (करेक्शन), जिसे योगात्मक समरेखण (एडिटिव स्मूथिंग) या लाप्लासियन समरेखण( स्मूथिंग) के रूप में भी जाना जाता है, एक तकनीक है जिसका उपयोग सांख्यिकी और मशीन लर्निंग में शून्य संभावनाओं या आवृत्तियों से सम्बन्धित गणितीय हल निकालने के लीये किया जाता है। यहाँ संभावनाओं का अनुमान लगाया जाता है या सीमित आंकड़ों के आधार पर भविष्यवाणी की जाती है।		लैपलेस संशोधन (करेक्शन), जिसे योगात्मक समरेखण (एडिटिव स्मूथिंग) या लाप्लासियन समरेखण( स्मूथिंग) के रूप में भी जाना जाता है, एक तकनीक है जिसका उपयोग सांख्यिकी और मशीन लर्निंग में शून्य संभावनाओं या आवृत्तियों से सम्बन्धित गणितीय हल निकालने के लीये किया जाता है। यहाँ संभावनाओं का अनुमान लगाया जाता है या सीमित आंकड़ों के आधार पर भविष्यवाणी की जाती है।

	संभाव्यता सिद्धांत और सांख्यिकी में, लाप्लास संशोधन का उपयोग घटनाओं के संभाव्यता अनुमानों (प्राबबिलिटी एस्टीमटेस) को समायोजित करने के लिए किया जाता है जब नमूना का आकार छोटा होता है और कुछ घटनाओं में शून्य आवृत्ति होती है। यह उन स्थितियों में विशेष रूप से उपयोगी है, जहां किसी घटना का घटित होना दुर्लभ है या नमूना आकार छोटा है, जो अपरिष्कृत अधिकतम संभावना अनुमान (MLE) या आवृत्ति-आधारित अनुमानक का उपयोग करते समय, अविश्वसनीय संभावना अनुमानों को जन्म दे सकता है।		संभाव्यता सिद्धांत और सांख्यिकी में, लाप्लास संशोधन का उपयोग घटनाओं के संभाव्यता अनुमानों (प्राबबिलिटी एस्टीमटेस) को समायोजित करने के लिए किया जाता है जब नमूना का आकार छोटा होता है और कुछ घटनाओं में शून्य आवृत्ति होती है। यह उन स्थितियों में विशेष रूप से उपयोगी है, जहां किसी घटना का घटित होना दुर्लभ है या नमूना आकार छोटा है, जो अपरिष्कृत अधिकतम संभावना अनुमान (मैक्समम लाइक्लीहुड एस्टिमैटर : MLE) या आवृत्ति-आधारित अनुमानक का उपयोग करते समय, अविश्वसनीय संभावना अनुमानों को जन्म दे सकता है।

	लाप्लास संशोधन में संभावनाओं की गणना करने से पहले डेटा में प्रत्येक घटना या श्रेणी की गिनती में एक छोटा स्थिरांक (आमतौर पर 1) जोड़ना शामिल है। इसमें अनुमानों का समरेखण "स्मूथिंग" करने का प्रभाव होता है और शून्य संभावनाओं की समस्या से बचा जाता है, जो कुछ गणनाओं में समस्याएं पैदा कर सकता है, जैसे कि बायेसियन अनुमान, नैवे बेयस वर्गीकरण और अन्य संभाव्य मॉडल।		लाप्लास संशोधन में संभावनाओं की गणना करने से पहले अंकांडों (डेटा) में प्रत्येक घटना या श्रेणी की गिनती में एक छोटा स्थिरांक (आमतौर पर 1) जोड़ना शामिल है। इसमें अनुमानों का समरेखण "स्मूथिंग" करने का प्रभाव होता है और शून्य संभावनाओं की समस्या से बचा जाता है, जो कुछ गणनाओं में समस्याएं पैदा कर सकता है, जैसे कि बायेसियन अनुमान, नैवे बेयस वर्गीकरण और अन्य संभाव्य मॉडल।

	गणितीय रूप से, लाप्लास सुधार को निम्नानुसार व्यक्त किया जा सकता है:		गणितीय रूप से, लाप्लास सुधार को निम्नानुसार व्यक्त किया जा सकता है:

Vinamra at 17:18, 9 June 2023

2023-06-09T17:18:03Z

← Older revision		Revision as of 22:48, 9 June 2023
Line 21:		Line 21:
	<math>k</math> संभावित घटनाओं या श्रेणियों की संख्या है,		<math>k</math> संभावित घटनाओं या श्रेणियों की संख्या है,

	भिन्न के ऊपर का अंक अंश (नुम्रेटर ) में "<math>+1</math>" और भाजक (डिनोमिनेटर) में "<math>k</math>" ~~चौरसाई~~ कारक हैं जो कि गिनती में जोड़े जाते हैं। विशिष्ट समस्या और ~~डोमेन~~ ज्ञान के आधार पर इन मूल्यों को समायोजित किया जा सकता है।		भिन्न के ऊपर का अंक अंश (नुम्रेटर ) में "<math>+1</math>" और भाजक (डिनोमिनेटर) में "<math>k</math>" समरेखण कारक हैं जो कि गिनती में जोड़े जाते हैं। विशिष्ट समस्या और कार्यक्षेत्र ज्ञान के आधार पर इन मूल्यों को समायोजित किया जा सकता है।

	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।		लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।

	[[Category:तरंगे]]		[[Category:तरंगे]]

Vinamra at 17:15, 9 June 2023

2023-06-09T17:15:42Z

← Older revision		Revision as of 22:45, 9 June 2023
Line 1:		Line 1:
	Laplace correction		Laplace correction

	लैपलेस करेक्शन, जिसे एडिटिव स्मूथिंग या लाप्लासियन स्मूथिंग के रूप में भी जाना जाता है, एक तकनीक है जिसका उपयोग सांख्यिकी और मशीन लर्निंग में शून्य संभावनाओं या आवृत्तियों ~~के मुद्दे को~~ हल ~~करने~~ के ~~लिए~~ किया जाता ~~है जब~~ संभावनाओं का अनुमान लगाया जाता है या सीमित ~~डेटा~~ के आधार पर भविष्यवाणी की जाती है।		लैपलेस संशोधन (करेक्शन), जिसे योगात्मक समरेखण (एडिटिव स्मूथिंग) या लाप्लासियन समरेखण( स्मूथिंग) के रूप में भी जाना जाता है, एक तकनीक है जिसका उपयोग सांख्यिकी और मशीन लर्निंग में शून्य संभावनाओं या आवृत्तियों से सम्बन्धित गणितीय हल निकालने के लीये किया जाता है। यहाँ संभावनाओं का अनुमान लगाया जाता है या सीमित आंकड़ों के आधार पर भविष्यवाणी की जाती है।

	संभाव्यता सिद्धांत और सांख्यिकी में, लाप्लास ~~सुधार~~ का उपयोग घटनाओं के संभाव्यता अनुमानों को समायोजित करने के लिए किया जाता है जब नमूना आकार छोटा होता है और कुछ घटनाओं में शून्य आवृत्ति होती है। यह उन स्थितियों में विशेष रूप से उपयोगी है जहां किसी घटना का घटित होना दुर्लभ है या नमूना आकार छोटा है, जो अपरिष्कृत अधिकतम संभावना अनुमान (MLE) या आवृत्ति-आधारित अनुमानक का उपयोग करते समय अविश्वसनीय संभावना अनुमानों को जन्म दे सकता है।		संभाव्यता सिद्धांत और सांख्यिकी में, लाप्लास संशोधन का उपयोग घटनाओं के संभाव्यता अनुमानों (प्राबबिलिटी एस्टीमटेस) को समायोजित करने के लिए किया जाता है जब नमूना का आकार छोटा होता है और कुछ घटनाओं में शून्य आवृत्ति होती है। यह उन स्थितियों में विशेष रूप से उपयोगी है, जहां किसी घटना का घटित होना दुर्लभ है या नमूना आकार छोटा है, जो अपरिष्कृत अधिकतम संभावना अनुमान (MLE) या आवृत्ति-आधारित अनुमानक का उपयोग करते समय, अविश्वसनीय संभावना अनुमानों को जन्म दे सकता है।

	लाप्लास ~~सुधार~~ में संभावनाओं की गणना करने से पहले डेटा में प्रत्येक घटना या श्रेणी की गिनती में एक छोटा स्थिरांक (आमतौर पर 1) जोड़ना शामिल है। इसमें अनुमानों को "स्मूथिंग" करने का प्रभाव होता है और शून्य संभावनाओं की समस्या से बचा जाता है, जो कुछ गणनाओं में समस्याएं पैदा कर सकता है, जैसे कि बायेसियन अनुमान, नैवे बेयस वर्गीकरण और अन्य संभाव्य मॉडल।		लाप्लास संशोधन में संभावनाओं की गणना करने से पहले डेटा में प्रत्येक घटना या श्रेणी की गिनती में एक छोटा स्थिरांक (आमतौर पर 1) जोड़ना शामिल है। इसमें अनुमानों का समरेखण "स्मूथिंग" करने का प्रभाव होता है और शून्य संभावनाओं की समस्या से बचा जाता है, जो कुछ गणनाओं में समस्याएं पैदा कर सकता है, जैसे कि बायेसियन अनुमान, नैवे बेयस वर्गीकरण और अन्य संभाव्य मॉडल।

	गणितीय रूप से, लाप्लास सुधार को निम्नानुसार व्यक्त किया जा सकता है:		गणितीय रूप से, लाप्लास सुधार को निम्नानुसार व्यक्त किया जा सकता है:
Line 13:		Line 13:
	जहाँ:		जहाँ:

	<math>P_{laplace}</math>लाप्लास-संशोधित संभाव्यता अनुमान है		<math>P_{laplace}</math>लाप्लास-संशोधित संभाव्यता अनुमान है,

	<math>n_i</math> रुचि ~~की घटना~~ की घटनाओं की गिनती है		<math>n_i</math> रुचि की घटनाओं की घटना गिनती है,

	<math>N</math> सभी घटनाओं या प्रेक्षणों की कुल संख्या है		<math>N</math> सभी घटनाओं या प्रेक्षणों की कुल संख्या है,

	<math>k</math> संभावित घटनाओं या श्रेणियों की संख्या है		<math>k</math> संभावित घटनाओं या श्रेणियों की संख्या है,

	अंश (नुम्रेटर ) में "<math>+1</math>" और भाजक (डिनोमिनेटर) में "<math>k</math>" चौरसाई कारक हैं जो कि गिनती में जोड़े जाते हैं। विशिष्ट समस्या और डोमेन ज्ञान के आधार पर इन मूल्यों को समायोजित किया जा सकता है।		भिन्न के ऊपर का अंक अंश (नुम्रेटर ) में "<math>+1</math>" और भाजक (डिनोमिनेटर) में "<math>k</math>" चौरसाई कारक हैं जो कि गिनती में जोड़े जाते हैं। विशिष्ट समस्या और डोमेन ज्ञान के आधार पर इन मूल्यों को समायोजित किया जा सकता है।

	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत ~~चौरसाई~~ तकनीकें, जैसे बायेसियन ~~चौरसाई~~ या गुड-ट्यूरिंग चौरसाई, कुछ स्थितियों में डेटा और एसपी की विशेषताओं के आधार पर अधिक उपयुक्त हो सकती हैं।		लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत समरेखण तकनीकें, जैसे बायेसियन समरेखण या गुड-ट्यूरिंग समरेखण, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।

	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत चौरसाई तकनीकें, जैसे बायेसियन चौरसाई या गुड-ट्यूरिंग चौरसाई, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।

	[[Category:तरंगे]]		[[Category:तरंगे]]

Sarika at 07:10, 19 April 2023

2023-04-19T07:10:23Z

← Older revision		Revision as of 12:40, 19 April 2023
Line 26:		Line 26:

	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत चौरसाई तकनीकें, जैसे बायेसियन चौरसाई या गुड-ट्यूरिंग चौरसाई, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।		लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत चौरसाई तकनीकें, जैसे बायेसियन चौरसाई या गुड-ट्यूरिंग चौरसाई, डेटा की विशेषताओं और विशिष्ट अनुप्रयोग के आधार पर कुछ स्थितियों में अधिक उपयुक्त हो सकती हैं।
	~~[[Category:भौतिक विज्ञान]]~~
	[[Category:तरंगे]]		[[Category:तरंगे]]

Vinamra at 11:36, 18 April 2023

2023-04-18T11:36:42Z

← Older revision		Revision as of 17:06, 18 April 2023
Line 9:		Line 9:
	गणितीय रूप से, लाप्लास सुधार को निम्नानुसार व्यक्त किया जा सकता है:		गणितीय रूप से, लाप्लास सुधार को निम्नानुसार व्यक्त किया जा सकता है:

	~~P_laplace~~ = (n_i 1) / (N k)		<math>P_{laplace} = (n_i+1) / (N+k) </math>

	~~कहाँ~~:		जहाँ:

	~~P_laplace~~ लाप्लास-संशोधित संभाव्यता अनुमान है		<math>P_{laplace}</math>लाप्लास-संशोधित संभाव्यता अनुमान है

	n_i रुचि की घटना की घटनाओं की गिनती है		<math>n_i</math> रुचि की घटना की घटनाओं की गिनती है

	N सभी घटनाओं या प्रेक्षणों की कुल संख्या है		<math>N</math> सभी घटनाओं या प्रेक्षणों की कुल संख्या है

	k संभावित घटनाओं या श्रेणियों की संख्या है		<math>k</math> संभावित घटनाओं या श्रेणियों की संख्या है

	अंश में "1" और भाजक में "के" चौरसाई कारक हैं जो कि गिनती में जोड़े जाते हैं। विशिष्ट समस्या और डोमेन ज्ञान के आधार पर इन मूल्यों को समायोजित किया जा सकता है।		अंश (नुम्रेटर ) में "<math>+1</math>" और भाजक (डिनोमिनेटर) में "<math>k</math>" चौरसाई कारक हैं जो कि गिनती में जोड़े जाते हैं। विशिष्ट समस्या और डोमेन ज्ञान के आधार पर इन मूल्यों को समायोजित किया जा सकता है।

	लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत चौरसाई तकनीकें, जैसे बायेसियन चौरसाई या गुड-ट्यूरिंग चौरसाई, कुछ स्थितियों में डेटा और एसपी की विशेषताओं के आधार पर अधिक उपयुक्त हो सकती हैं।		लाप्लास सुधार प्रायिकता अनुमान और भविष्यवाणी कार्यों में शून्य संभावनाओं या आवृत्तियों के मुद्दे को संभालने के लिए एक सरल और व्यापक रूप से इस्तेमाल की जाने वाली तकनीक है। हालांकि, यह हमेशा सबसे अच्छा समाधान नहीं हो सकता है, और अन्य अधिक परिष्कृत चौरसाई तकनीकें, जैसे बायेसियन चौरसाई या गुड-ट्यूरिंग चौरसाई, कुछ स्थितियों में डेटा और एसपी की विशेषताओं के आधार पर अधिक उपयुक्त हो सकती हैं।

Vinamra at 11:28, 18 April 2023

2023-04-18T11:28:15Z

@@ Line 1: / Line 1: @@
 Laplace correction
 [[Category:भौतिक विज्ञान]]
 [[Category:तरंगे]]

Vinamra: +Category:भौतिक विज्ञान; +Category:तरंगे using HotCat

2023-03-31T15:09:37Z

+Category:भौतिक विज्ञान; +Category:तरंगे using HotCat

← Older revision		Revision as of 20:39, 31 March 2023
Line 1:		Line 1:
	Laplace correction		Laplace correction

			[[Category:भौतिक विज्ञान]]
			[[Category:तरंगे]]