D:
Perché la distorsione rispetto alla varianza è importante per l'apprendimento automatico?
UN:Comprendere i termini "bias" e "varianza" nell'apprendimento automatico aiuta gli ingegneri a calibrare più completamente i sistemi di apprendimento automatico per soddisfare gli scopi previsti. La distorsione rispetto alla varianza è importante perché aiuta a gestire alcuni dei compromessi nei progetti di apprendimento automatico che determinano l'efficacia di un determinato sistema per l'uso aziendale o altri scopi.
Nello spiegare la distorsione rispetto alla varianza, è importante notare che entrambi questi problemi possono compromettere i risultati dei dati in modi molto diversi.
| Download gratuito: Machine Learning e perché è importante |
La distorsione può essere descritta come un problema che si traduce in cluster inaccurati: è una situazione in cui l'apprendimento automatico può restituire molti risultati con precisione, ma manca il segno in termini di accuratezza. Al contrario, la varianza è una "dispersione" di informazioni: è una natura selvaggia, un dato che mostra una gamma di risultati, alcuni dei quali possono essere accurati, ma molti dei quali non rientrano in una particolare zona di precisione per ridurre il risultato complessivo preciso e molto più "rumoroso".
In effetti, alcuni esperti che descrivono la varianza spiegano che i risultati delle varianti tendono a "seguire il rumore", in cui i risultati di alta parte non vanno abbastanza lontano per esplorare i set di dati. Questo è un altro modo per contrastare il problema del bias con il problema della varianza: gli esperti associano il bias al underfitting, in cui il sistema potrebbe non essere abbastanza flessibile da includere una serie di risultati ottimali. Al contrario, la varianza sarebbe una specie di opposto - dove il sovradimensionamento rende il sistema troppo fragile e delicato per resistere a molti cambiamenti dinamici. Osservando la distorsione rispetto alla varianza attraverso questa lente di complessità, gli ingegneri possono pensare a come ottimizzare l'adattamento di un sistema per renderlo non troppo complesso, non troppo semplice, ma abbastanza complesso.
Questi sono due modi in cui la filosofia del bias contro la varianza è utile nella progettazione di sistemi di machine learning. È sempre importante lavorare con il bias della macchina per cercare di ottenere un insieme complessivo di risultati accurati per l'uso a cui sono applicati. È anche sempre importante osservare la varianza nel tentativo di controllare il caos o la natura selvaggia dei risultati altamente dispersi o dispersi e di gestire il rumore in ogni dato sistema.
