Теория

Зачем нужна очередная теория машинного обучения, если  в данной области уже имеют место другие альтернативные теории? Дело в том, что все предыдущие теории являлись теориями машинного обучения, а данная по праву уже может именоваться теорией машинного обобщения.

Суть в том, что теория обобщающей способности даёт ответы на такие вопросы, которые в предыдущих теориях ответов не имели:

  1. Почему максимальная обучающая способность не не всегда соответствует максимальной обобщающей способности?

  2. Как отличить информативные факторы от неинформативных?

  3. Что делать, если решение неоднозначно?

  4. Как получить неизменное качество классификации при наличии инвариантных искажений информации в выборке и каковы допустимые пределы инвариантности?

  5. Где и в каких случаях искать причины низкой обобщающей способности: в выборке или в алгоритме?

Данная теория конструктивна в том смысле, что не только даёт ответы на теоретические вопросы, но ещё и предлагает соответствующие прикладные методы повышения обобщающей способности: как для предварительной обработки выборки, так и для последующего машинного обучения.

Ознакомиться с текстом документа излагающего Теорию обобщающей способности алгоритмов машинного обучения - ТОСАМО можно загрузив нижеприкреплённый файл в формате PDF:

Подстраницы (23): Смотреть все
Ċ
Юрий Решетов,
4 янв. 2015 г., 3:07