ڈیٹا کا الزام

ڈیٹا امپیوٹیشن ایک شماریاتی تجزیہ کا طریقہ ہے جو گمشدہ ڈیٹا پوائنٹس کو پُر کرنے میں مدد کرتا ہے۔ اس تکنیک کا استعمال گمشدہ ڈیٹا کو شماریاتی اعتبار سے قابل تخمینہ اقدار سے تبدیل کرنے کے لیے کیا جاتا ہے جو ڈیٹا سیٹس کی درستگی اور مکمل ہونے کو برقرار رکھتی ہیں۔ اگرچہ اعداد و شمار کی تقرری مفید ہو سکتی ہے، لیکن یہ ایک بڑی آبادی کا اندازہ لگانے کے لیے ڈیٹا کے ایک چھوٹے ذیلی سیٹ کے استعمال کی وجہ سے ڈیٹاسیٹ میں تعصب متعارف کروانے کا خطرہ بھی لاتا ہے۔

اعداد و شمار کے تقاضے کا استعمال بنیادی طور پر پیش گوئی کرنے والے تجزیات کے تناظر میں کیا جاتا ہے، جہاں ڈیٹا کی دستیابی محدود یا نامکمل ہو سکتی ہے۔ امپیوٹیشن ایک پیشین گوئی تجزیاتی ورک فلو میں درست پیشین گوئیوں کو قابل بناتا ہے۔ بغیر کسی الزام کے، گمشدہ اقدار والے ڈیٹاسیٹ کے تجزیہ کے نتیجے میں ڈیٹاسیٹ میں 'سوراخ' کی وجہ سے غلط پیشین گوئیاں ہو سکتی ہیں۔

اگرچہ، ڈیٹا کا تقاضہ ہمیشہ مثالی نہیں ہوتا ہے۔ گمشدہ ڈیٹا پوائنٹس کو تبدیل کرنے کے لیے جو قدریں ڈالی جاتی ہیں وہ غلط یا گمراہ کن نتائج پیدا کر سکتی ہیں۔ اس طرح، یہ فرض کرنے سے پہلے تعصب کے خطرے کا اندازہ لگانا ضروری ہے کہ الزام لگایا گیا ڈیٹا اصل ڈیٹا کی درست نمائندگی ہے جس کے ساتھ یہ تبدیل کر رہا ہے۔

اعداد و شمار کے تقاضے کے لیے استعمال ہونے والا سب سے عام طریقہ مطلب متبادل ہے۔ یہ مواخذہ کی سب سے آسان شکل ہے، جو غائب قدر کو دیگر تمام موجودہ اقدار کے اوسط سے بدل دیتی ہے۔ تقرری کے لیے استعمال ہونے والے دیگر طریقوں میں K-قریب ترین پڑوسی اور ملٹی ویریٹ امپیوٹیشن شامل ہیں۔ ان تکنیکوں کی پیچیدگی سوال میں ڈیٹا سیٹ کے سائز اور ساخت کے لحاظ سے مختلف ہو سکتی ہے۔

اس بات کو یقینی بنانے کے لیے ڈیٹا کا تقاضہ ضروری ہے کہ ڈیٹاسیٹس مکمل ہیں جب پیشن گوئی کرنے والی ماڈلنگ کا استعمال کیا جاتا ہے، لیکن اس تکنیک کو ذمہ داری سے نافذ کرنا ضروری ہے۔ تبدیل شدہ اقدار کی بنیاد پر کوئی بھی فیصلہ کرنے سے پہلے ڈیٹا سیٹس کو اچھی طرح سے چیک کرنے کی ضرورت ہے۔ جہاں مناسب ہو، یہ ایک دانشمندانہ فیصلہ ہو سکتا ہے کہ متبادل طریقوں پر غور کریں جیسے کالم کو کاٹنا یا ختم کرنا، یا کسی پیشین گوئی کو مکمل طور پر نظر انداز کرنا اگر گمشدہ ڈیٹا بہت زیادہ ہے یا ڈیٹا کی خصوصیات استعمال کیے جانے والے طریقہ کار سے مماثل نہیں ہیں۔