不适合机器学习的问题

作者: 别烦我
发布时间: 2025-02-05 07:15:41 (26天前)
转自：

2 条回复

0#
回复此人
VIP | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> SO的问题太广泛了，但我会尝试从理论上回答： ML中唯一的问题是对看不见的数据有一个很好的概括，它有一些模式，因为只有在你之前学到了一些关于分布的东西之后，你才能获得一些关于新的看不见的数据的信息（预测标签，集群）。从理论上讲，您可以强制机器学习相对于可用功能具有非随机分布的任何任务，但您需要有足够的数据以获得所需的精度。这就是为什么它在实践中有时是不可能的。因为要捕获硬分布规则，您需要具有大的变化（更通用）或更具体（但它包括您自己的数据知识）模型，并且要学习此模型而不过度拟合，您需要拥有大数据集，对于所有这些你需要拥有强大的计算资源等等。 </p> <P> 如果您对理论方面的更详细解释感兴趣，可以从此开始观看caltech的讲座 <a href="https://youtu.be/MEG35RDD7RA?list=PLCA2C1469EA777F9A" rel="nofollow"> CaltechX - CS1156x从数据中学习 </A> 。 </p> <P> 还有理论方程来预测模型相对于可用数据量的泛化能力： <a href="https://en.wikipedia.org/wiki/Vapnik%E2%80%93Chervonenkis_theory" rel="nofollow"> Vapnik's hervonenkis理论 </A> <a href="https://en.wikipedia.org/wiki/Akaike_information_criterion" rel="nofollow"> Akaike_information_criterion </A> </p> </DIV>

编辑

登录后才能参与评论