एक दृष्टिकोण जिसे आप लगभग किसी भी भविष्यवाणी मॉडल के लिए ले सकते हैं वह है कि पहले अपने मॉडल को प्रशिक्षित करें और इसकी सटीकता का पता लगाएं, फिर एक इनपुट के लिए इसमें कुछ शोर जोड़ें और सटीकता को फिर से जांचें। प्रत्येक इनपुट के लिए इसे दोहराएं और देखें कि शोर भविष्यवाणियों को कैसे खराब करता है। यदि कोई इनपुट महत्वपूर्ण है तो शोर के कारण होने वाली अतिरिक्त अनिश्चितता हानिकारक होगी।
याद रखें कि शोर के विचरण को प्रश्न में इनपुट के प्रसरण के समानुपाती होना चाहिए।
बेशक शोर यादृच्छिक है और आप नहीं चाहते कि एक इनपुट यादृच्छिक प्रभाव के कारण महत्वहीन दिखाई दे। यदि आपके पास कुछ प्रशिक्षण उदाहरण हैं, तो प्रत्येक प्रशिक्षण उदाहरण के लिए सटीकता में परिवर्तन की बार-बार गणना पर विचार करें, जिसमें हर बार एक नया शोर जोड़ा जाता है।
टिप्पणियों के जवाब में:
यह विश्लेषण पूरी तरह से एक चर को हटाकर भी किया जा सकता है लेकिन इसमें शोर जोड़ने की तुलना में कुछ डाउनसाइड हैं।
मान लीजिए कि आपका एक इनपुट निरंतर है, यह एक पूर्वाग्रह की तरह कार्य करता है, इसलिए इसकी भविष्यवाणी में कुछ भूमिका है लेकिन यह आपकी जानकारी को जोड़ता है। यदि आपने इस इनपुट को पूरी तरह से हटा दिया है, तो भविष्यवाणी कम सटीक हो जाएगी क्योंकि पेसेप्ट्रॉन गलत पूर्वाग्रह प्राप्त कर रहे हैं। इससे इनपुट दिखता है जैसे यह भविष्यवाणी के लिए महत्वपूर्ण है, भले ही इसमें कोई जानकारी न हो। शोर जोड़ने से यह समस्या नहीं होगी। यह पहला बिंदु कोई समस्या नहीं है यदि आपने शून्य इनपुट के लिए सभी इनपुट को मानकीकृत किया है।
यदि दो इनपुट सहसंबद्ध हैं तो एक इनपुट की जानकारी दूसरे के बारे में जानकारी देती है। एक मॉडल को अच्छी तरह से प्रशिक्षित किया जा सकता है यदि आपने सहसंबंधित इनपुटों में से केवल एक का उपयोग किया है तो आप चाहते हैं कि विश्लेषण यह पता करे कि एक इनपुट सहायक नहीं है। यदि आपने अभी इनपुट में से एक को हटा दिया है, तो पहले किए गए बिंदु की तरह, भविष्यवाणी सटीकता बहुत कम हो जाएगी जो इंगित करती है कि यह महत्वपूर्ण है। हालाँकि, शोर जोड़ने से यह समस्या नहीं होगी।