शोधकर्ताओं ने अज्ञात संवेगक-आधारित वर्गीकरण कार्यों में न्यूनतम नमूना आकार निर्धारित करने के लिए डेटा-संचालित दिशानिर्देशों की कमी को दूर करने के लिए सीखने वक्र अभिसरण दरों का एक व्यवस्थित प्रायोगिक मूल्यांकन प्रस्तुत किया है।
- अध्ययन द्विआधारी और बहु-वर्ग परिदृश्यों के तहत वर्गीकरण प्रदर्शन का विश्लेषण करने वाला एक एकीकृत ढांचा पेश करता है, डेटा सेट आकार के सापेक्ष प्रदर्शन का अनुमान लगाने हेतु एक प्रायोगिक सूत्र व्युत्पन्न करता है।
- कुल 102.7 घंटे के अज्ञात संवेगक मापों वाले छह विविध वास्तविक डेटा सेट पर परीक्षण दर्शाते हैं कि सटीकता कार्य जटिलता की परवाह किए बिना एक सुसंगत लघुगणकीय वृद्धि पैटर्न का पालन करती है।
- लेखकों ने स्थिरता बिंदु का एक मात्रात्मक मेट्रिक प्रस्तावित किया जिसे उसके अंतःसीमा अधिकतम के एक पूर्वनिर्धारित माध्य निरपेक्ष प्रतिशत विचलन के भीतर सीखने वक्र को स्थिर करने के लिए आवश्यक नमूना आकार के रूप में परिभाषित किया गया है।
- विश्लेषण से पता चलता है कि मॉडल अक्सं परंपरागत हेयुरिस्टिक्स द्वारा सुझाए गए की तुलना में काफी कम नमूनों के साथ व्यावहारिक स्थिरता प्राप्त करते हैं, जिससे छोटे पैमाने के पायलट अध्ययन से कुल डेटा आवश्यकताओं का अनुमान लगाया जा सकता है।
ये निष्कर्ष अज्ञात संवेगक अनुप्रयोगों में रिकॉर्डिंग अभियानों की योजना बनाने के लिए ठोस, डेटा-आधारित दिशानिर्देश प्रदान करते हैं, डेटा आयतन को अधिकतम करने से डेटा दक्षता को अनुकूलित करने की ओर परिप्रेक्ष्य को बदलते हैं।