Cunoașterea limitelor de bias în procesul de învățare în mașină - dummy

Învățarea în mașină depinde foarte mult de datele din eșantion. Această parte a datelor dvs. este importantă deoarece doriți să descoperiți un punct de vedere al lumii și, ca și în toate punctele de vedere, poate fi greșit, distorsionat sau doar parțial. Știți, de asemenea, că aveți nevoie de un exemplar extras din exemplul pentru a verifica dacă procesul de învățare funcționează. Cu toate acestea, aceste aspecte nu constituie decât o parte a imaginii.

Atunci când faci un algoritm de învățare a mașinilor să lucrezi cu date pentru a ghici un anumit răspuns, ești în mod efectiv un joc de noroc și acest joc de noroc nu este doar din cauza eșantionului pe care îl folosești pentru învățare. Mai este. Pentru moment, imaginați-vă că aveți liber acces la date potrivite, imparțiale, în eșantion, deci datele nu sunt problema. În schimb, trebuie să vă concentrați asupra metodei de învățare și predicție.

Mai întâi, trebuie să vă gândiți că pariați că algoritmul poate ghici în mod rezonabil răspunsul. Nu puteți face întotdeauna această presupunere deoarece găsirea anumitor răspunsuri nu este posibilă indiferent de ceea ce știți în avans.

De exemplu, nu puteți determina pe deplin comportamentul ființelor umane prin cunoașterea istoriei și comportamentului lor anterior. Poate că un efect aleatoriu este implicat în procesul generativ al comportamentului nostru (de exemplu, partea irațională a noastră) sau poate că problema se reduce la voința liberă (problema este de asemenea filozofică / religioasă și există multe opinii discordante). În consecință, puteți ghici doar câteva tipuri de răspunsuri, iar pentru multe altele, cum ar fi atunci când încercați să anticipați comportamentul oamenilor, trebuie să acceptați un anumit grad de incertitudine care, cu noroc, este acceptabil pentru scopurile dvs.

În al doilea rând, trebuie să considerați că pariați că relația dintre informațiile pe care le aveți și răspunsul pe care doriți să le preziceți poate fi exprimată ca o formulă matematică de un fel și că procesul dvs. de învățare algoritmul este de fapt capabil să ghicească această formulă. Capacitatea algoritmului de a ghici formula matematică din spatele unui răspuns este intrinsec înglobată în piulițele și bolțurile algoritmului.

Unii algoritmi pot ghici aproape totul; altele au de fapt un set limitat de opțiuni. Gama de formulări matematice posibile pe care un algoritm le poate ghici este setul de ipoteze posibile. În consecință, o ipoteză este un singur algoritm specificat în toți parametrii săi și, prin urmare, capabil de o singură formulare specifică.

Matematica este fantastică. Poate descrie o mare parte din lumea reală folosind o notație simplă și este nucleul învățării mecanice, deoarece orice algoritm de învățare are o anumită capacitate de a reprezenta o formulă matematică.Unele algoritmi, cum ar fi regresia liniară, utilizează în mod explicit o formulă matematică specifică pentru a reprezenta modul în care un răspuns (de exemplu, prețul unei case) se referă la un set de informații predictive (cum ar fi informațiile despre piață, locația locuinței, si asa mai departe).

Unele formulări sunt atât de complexe și complexe încât, deși le reprezintă pe hârtie, este posibil ca acest lucru să fie prea dificil din punct de vedere practic. Unii alți algoritmi sofisticați, cum ar fi copacii de decizie, nu au o formulă matematică explicită, dar sunt atât de adaptabili încât pot fi stabiliți cu ușurință pentru a aproxima o gamă largă de formulări. Ca exemplu, luați în considerare o formulă simplă și ușor explicată. Regresia liniară este doar o linie într-un spațiu de coordonate dat de răspuns și toți predictorii. În exemplul cel mai simplu, puteți avea un răspuns, y și un predictor unic, x, cu o formulare

y = β ₁ x ₁ + β < 0 _{Într-o situație simplă a unui răspuns anticipat de o singură caracteristică, un astfel de model este perfect atunci când datele dvs. se aranjează ca o linie. Cu toate acestea, ce se întâmplă dacă nu se face și în schimb se modelează ca o curbă? Pentru a reprezenta situația, trebuie doar să observați următoarele reprezentări bidimensionale.}

Exemplu de model linear care se luptă pentru a mapa o funcție a curbei.

Atunci când punctele seamănă cu o linie sau cu un nor, se întâmplă o eroare atunci când observi că rezultatul este o linie dreaptă; prin urmare, cartografia furnizată de formularea precedentă este într-un fel imprecisă. Cu toate acestea, eroarea nu apare sistematic, ci mai degrabă în mod aleatoriu, deoarece unele puncte sunt deasupra liniei mapate, iar altele sunt sub ea. Situația cu norul curbat și format de puncte este diferită, pentru că de această dată linia este uneori exactă, dar în alte momente este sistematic greșită. Uneori punctele sunt întotdeauna deasupra liniei; uneori sunt sub el.

Având în vedere simplitatea cartografierii răspunsului, algoritmul dvs. tinde să supraestimeze sau să subestimeze în mod sistematic regulile reale din spatele datelor, reprezentând părtinirea sa. Părăsirea este caracteristică unor algoritmi simpli care nu pot exprima formulări matematice complexe.