Dom trendovi Koji je jednostavan način opisivanja pristranosti i varijanci u strojnom učenju?

Koji je jednostavan način opisivanja pristranosti i varijanci u strojnom učenju?

Anonim

P:

Koji je jednostavan način opisivanja pristranosti i varijanci u strojnom učenju?

A:

Postoji nekoliko različitih složenih načina za opisivanje pristranosti i varijanci u strojnom učenju. Mnogi od njih koriste značajno složene matematičke jednadžbe i grafičkim prikazom prikazuju kako konkretni primjeri predstavljaju različite količine pristranosti i varijance.

Evo jednostavnog načina za opisivanje pristranosti, varijanci i kompromisa / odstupanja u strojnom učenju.

U osnovi je pristranost prevelika pojednostavljenja. Može biti važno dodati definiciji pristranosti neku pretpostavku ili pretpostavljenu pogrešku.

Ako vrlo pristrani rezultat ne bi bio u zabludi - ako je na novcu - bio bi točan. Problem je što pojednostavljeni model sadrži određenu pogrešku, tako da nije uočeno - značajna greška nastavlja se ponavljati ili čak pojačavati dok program strojnog učenja.

Jednostavna definicija varijance je da su rezultati previše raspršeni. To često dovodi do prekompliciranosti programa i problema između seta testiranja i treninga.

Velika varijanca znači da male promjene stvaraju velike promjene u ishodima ili rezultatima.

Drugi način jednostavnog opisivanja varijance je da u modelu ima previše buke i da je strojno učenje programa teže izolirati i identificirati pravi signal.

Dakle, jedan od najjednostavnijih načina uspoređivanja pristranosti i varijance je sugeriranje da inženjeri strojnog učenja moraju prijeći tanku liniju između prevelike pristranosti ili pojednostavljenja, prevelike varijance ili prekompleksnosti.

Drugi način za predstavljanje ove bušotine je shema s četiri kvadranta koja prikazuje sve kombinacije visoke i male varijance. U kvadrantu male pristranosti / male varijance, svi se rezultati skupe u točnu grozdu. Rezultat velike pristranosti / male varijance, svi su rezultati prikupljeni u netočnom skupu. U rezultatima s malim odstupanjem / velikom varijancom, rezultati su raštrkani oko središnje točke koja bi predstavljala točan klaster, dok su u rezultatima s velikom pristranosti / velikom varijancom, podatkovne točke raspršene i kolektivno netočne.

Koji je jednostavan način opisivanja pristranosti i varijanci u strojnom učenju?