Защо пристрастието спрямо дисперсията е важно за машинното обучение?

Q:

Защо пристрастието спрямо дисперсията е важно за машинното обучение?

Разбирането на термините „пристрастие“ и „дисперсия“ в машинното обучение помага на инженерите да калибрират по-пълноценно системите за машинно обучение, за да обслужват предвидените им цели. Пристрастието към отклонението е важно, тъй като помага да се управляват някои от компромиси в проектите за машинно обучение, които определят колко ефективна дадена система може да бъде за предприятието или за други цели.

При обяснението на пристрастието спрямо различието е важно да се отбележи, че и двата проблема могат да компрометират резултатите от данните по много различни начини.

Пристрастията могат да бъдат описани като проблем, който води до неточни клъстери - това е ситуация, при която машинното обучение може да върне много резултати с точност, но да пропусне оценката по отношение на точността. За разлика от това, дисперсията е „разпръскване“ на информацията - това е дивота, данни, които показват редица резултати, някои от които може да са точни, но много от тях ще попаднат извън определена зона на точност, за да направи общия резултат по-малък точна и много по-"шумна".

Всъщност някои експерти, описващи дисперсията, обясняват, че резултатите от варианти са склонни да „следват шума“, където високо предубедените резултати не стигат достатъчно далеч за изследване на масивите от данни. Това е друг начин за съпоставяне на проблема с пристрастието с проблема на дисперсията - експертите свързват пристрастията с недостатъчното оборудване, при което системата може да не е достатъчно гъвкава, за да включва набор от оптимални резултати. За разлика от това, дисперсията би била нещо като противоположно - когато прекаляването прави системата твърде крехка и деликатна, за да издържи на много динамични промени. Поглеждайки пристрастието спрямо вариацията чрез този обектив на сложност, инженерите могат да помислят как да оптимизират монтажа на дадена система, за да я направят не твърде сложна, не твърде проста, но просто достатъчно сложна.

Това са два начина, по които философията на пристрастието спрямо дисперсията е полезна при проектирането на системи за машинно обучение. Винаги е важно да работите с пристрастия на машината, за да се опитате да получите общ набор от резултати, които са точни за употребата, за която се прилагат. Също така винаги е важно да погледнете на дисперсия в опитите да контролирате хаоса или дивотата на силно разпръснати или разпръснати резултати и да се справите с шума във всяка дадена система.