J:
Kāpēc mašīnmācībā ir svarīga neobjektivitāte pret dispersiju?
A:Izpratne par terminiem "neobjektivitāte" un "dispersija" mašīnmācībā palīdz inženieriem pilnīgāk kalibrēt mašīnmācīšanās sistēmas paredzētajiem mērķiem. Neobjektivitāte pret dispersiju ir svarīga, jo tā palīdz pārvaldīt dažus kompromisus mašīnmācības projektos, kas nosaka, cik efektīva dotā sistēma var būt uzņēmuma lietošanai vai citiem mērķiem.
Izskaidrojot neobjektivitāti un dispersiju, ir svarīgi atzīmēt, ka abi šie jautājumi var ļoti atšķirīgi ietekmēt datu rezultātus.
| Bezmaksas lejupielāde: mašīnmācīšanās un kāpēc tas ir svarīgi |
Neobjektivitāti var raksturot kā problēmu, kuras rezultātā rodas nepareizas kopas - tā ir situācija, kad mašīnmācīšanās var dot daudz rezultātu ar precizitāti, bet precizitātes ziņā pietrūkst atzīmes. Turpretī dispersija ir informācijas "izkliedēšana" - tā ir mežonība, dati, kas parāda rezultātu diapazonu, daži no tiem var būt precīzi, bet daudzi no tiem izkritīs ārpus noteiktas precizitātes zonas, lai kopējais rezultāts būtu mazāks precīzi un daudz vairāk "trokšņaini".
Faktiski daži eksperti, aprakstot dispersiju, skaidro, ka variantu rezultāti mēdz "sekot troksnim", kur lieli neobjektīvi rezultāti nav pietiekami tālu, lai izpētītu datu kopas. Tas ir vēl viens veids, kā pretstatīt aizspriedumu problēmu ar dispersijas problēmu - eksperti aizspriedumus saista ar nepietiekamu uzstādīšanu, kur sistēma var nebūt pietiekami elastīga, lai iekļautu optimālu rezultātu kopu. Turpretī dispersija būtu sava veida pretstats - ja pārmērīga aprīkošana padara sistēmu pārāk trauslu un delikātu, lai izturētu daudz dinamisku izmaiņu. Apskatot neobjektivitāti un dispersiju caur šo sarežģītības objektīvu, inženieri var domāt par to, kā optimizēt sistēmas uzstādīšanu, lai tā būtu ne pārāk sarežģīta, ne pārāk vienkārša, bet vienkārši pietiekami sarežģīta.
Šie ir divi veidi, kā neobjektivitātes un variācijas filozofija ir noderīga, izstrādājot mašīnmācīšanās sistēmas. Vienmēr ir svarīgi strādāt ar mašīnu aizspriedumiem, lai mēģinātu iegūt vispārīgu rezultātu kopumu, kas ir precīzs lietošanai, kurai tie tiek piemēroti. Vienmēr ir svarīgi ņemt vērā dispersijas, mēģinot kontrolēt ļoti izkliedētu vai izkliedētu rezultātu haosu vai savvaļas raksturu, kā arī rīkoties ar troksni katrā konkrētajā sistēmā.
