Zawartość
P:
Dlaczego odchylenie od wariancji jest ważne dla uczenia maszynowego?
ZA:
Zrozumienie terminów „stronniczość” i „wariancja” w uczeniu maszynowym pomaga inżynierom w pełniejszej kalibracji systemów uczenia maszynowego w celu osiągnięcia zamierzonych celów. Odchylenie od wariancji jest ważne, ponieważ pomaga zarządzać niektórymi kompromisami w projektach uczenia maszynowego, które określają efektywność danego systemu do wykorzystania w przedsiębiorstwie lub w innych celach.
Wyjaśniając błąd systematyczny w porównaniu z wariancją, należy zauważyć, że oba te problemy mogą wpływać na wyniki danych na bardzo różne sposoby.
Odchylenie można opisać jako problem, który powoduje niedokładne klastry - jest to sytuacja, w której uczenie maszynowe może zwrócić wiele wyników z precyzją, ale nie trafia w sedno pod względem dokładności. Natomiast wariancja jest „rozproszeniem” informacji - to dzikość, dane, które pokazują zakres wyników, z których niektóre mogą być dokładne, ale wiele z nich nie mieści się w określonej strefie precyzji, aby ogólny wynik był mniejszy dokładne i znacznie bardziej „głośne”.
W rzeczywistości niektórzy eksperci opisujący wariancję wyjaśniają, że wyniki wariantów mają tendencję do „podążania za hałasem”, gdzie wyniki o dużym obciążeniu nie idą wystarczająco daleko, aby zbadać zestawy danych. Jest to kolejny sposób na porównanie problemu błędu z problemem wariancji - eksperci kojarzą błąd z niedopasowaniem, w którym system może nie być wystarczająco elastyczny, aby uwzględnić zestaw optymalnych wyników. Natomiast wariancja byłaby swego rodzaju przeciwieństwem - w przypadku nadmiernego dopasowania system jest zbyt delikatny i delikatny, aby wytrzymać wiele dynamicznych zmian.Patrząc na odchylenie w stosunku do wariancji przez ten obiektyw złożoności, inżynierowie mogą zastanowić się, jak zoptymalizować dopasowanie systemu, aby nie był zbyt skomplikowany, niezbyt prosty, ale po prostu wystarczająco skomplikowany.
Są dwa sposoby, w jakie filozofia stronniczości w porównaniu z wariancją jest przydatna w projektowaniu systemów uczenia maszynowego. Zawsze ważne jest, aby pracować z odchyleniem maszyny, aby uzyskać ogólny zestaw wyników, które są dokładne dla zastosowania, do którego są stosowane. Zawsze ważne jest także, aby spojrzeć na wariancję w próbach kontrolowania chaosu lub dzikości bardzo rozproszonych lub rozproszonych wyników oraz radzenia sobie z hałasem w dowolnym systemie.