Q:
Почему смещение по сравнению с дисперсией важно для машинного обучения?
A:Понимание терминов «смещение» и «дисперсия» в машинном обучении помогает инженерам более полно откалибровать системы машинного обучения для достижения поставленных целей. Смещение по сравнению с дисперсией важно, поскольку оно помогает управлять некоторыми компромиссами в проектах машинного обучения, которые определяют, насколько эффективна данная система для использования на предприятии или в других целях.
При объяснении смещения по сравнению с дисперсией важно отметить, что обе эти проблемы могут поставить под угрозу результаты данных по-разному.
| Скачать бесплатно: машинное обучение и почему это важно |
Смещение можно описать как проблему, которая приводит к неточным кластерам - это ситуация, когда машинное обучение может возвращать многие результаты с точностью, но не достигать цели с точки зрения точности. В отличие от этого, дисперсия - это «разгон» информации - это дикость, данные, которые показывают диапазон результатов, некоторые из которых могут быть точными, но многие из которых выйдут за пределы определенной зоны точности, чтобы сделать общий результат менее точный и намного более "шумный".
Фактически, некоторые эксперты, описывающие дисперсию, объясняют, что вариантные результаты имеют тенденцию «следовать за шумом», когда результаты с высоким смещением не идут достаточно далеко, чтобы исследовать наборы данных. Это еще один способ сопоставить проблему смещения с проблемой дисперсии - эксперты связывают смещение с недостаточным оснащением, когда система может быть недостаточно гибкой, чтобы включать набор оптимальных результатов. В отличие от этого, дисперсия была бы своего рода противоположностью - где переоснащение делает систему слишком хрупкой и деликатной, чтобы противостоять многим динамическим изменениям. Рассматривая смещение по сравнению с дисперсией через этот объектив сложности, инженеры могут подумать о том, как оптимизировать подгонку системы, чтобы сделать ее не слишком сложной, не слишком простой, но достаточно сложной.
Это два способа, которыми философия смещения и дисперсии полезна при разработке систем машинного обучения. Всегда важно работать со смещением машины, чтобы попытаться получить общий набор результатов, точных для использования, к которому они применяются. Также всегда важно смотреть на различия в попытках контролировать хаос или дикость сильно разбросанных или рассеянных результатов и бороться с шумом в любой конкретной системе.
