Q:
Pourquoi le biais par rapport à la variance est-il important pour l'apprentissage automatique?
UNE:La compréhension des termes "biais" et "variance" dans l'apprentissage automatique aide les ingénieurs à calibrer plus complètement les systèmes d'apprentissage automatique pour qu'ils servent leurs objectifs. Le biais par rapport à la variance est important car il permet de gérer certains compromis dans les projets d'apprentissage automatique qui déterminent l'efficacité d'un système donné pour une utilisation en entreprise ou à d'autres fins.
Pour expliquer le biais par rapport à la variance, il est important de noter que ces deux problèmes peuvent compromettre les résultats des données de manière très différente.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
Le biais peut être décrit comme un problème qui entraîne des grappes inexactes - c'est une situation où l'apprentissage automatique peut renvoyer de nombreux résultats avec précision, mais manquer la marque en termes de précision. En revanche, la variance est une «dispersion» de l'information - c'est une folie, une donnée qui montre une gamme de résultats, dont certains peuvent être exacts, mais dont beaucoup tomberont en dehors d'une zone de précision particulière pour rendre le résultat global moins précis et beaucoup plus "bruyant".
En fait, certains experts décrivant la variance expliquent que les résultats des variantes ont tendance à «suivre le bruit», où les résultats fortement biaisés ne vont pas assez loin pour explorer les ensembles de données. C'est une autre façon de comparer le problème du biais avec le problème de la variance - les experts associent le biais au sous-ajustement, où le système peut ne pas être suffisamment flexible pour inclure un ensemble de résultats optimaux. En revanche, la variance serait une sorte d'opposé - où le sur-ajustement rend le système trop fragile et délicat pour résister à de nombreux changements dynamiques. En examinant le biais par rapport à la variance à travers cette lentille de complexité, les ingénieurs peuvent réfléchir à la façon d'optimiser l'ajustement d'un système pour le rendre pas trop complexe, pas trop simple, mais juste assez complexe.
Ce sont deux façons dont la philosophie du biais par rapport à la variance est utile dans la conception de systèmes d'apprentissage automatique. Il est toujours important de travailler avec le biais de la machine pour essayer d'obtenir un ensemble global de résultats précis pour l'utilisation à laquelle ils sont appliqués. Il est également toujours important d'examiner la variance en essayant de contrôler le chaos ou le caractère sauvage des résultats hautement dispersés ou dispersés, et de faire face au bruit dans un système donné.
