Q:
Який простий спосіб описати упередженість та дисперсію в машинному навчанні?
A:Існує будь-яка кількість складних способів описати упередженість та розбіжність у машинному навчанні. Багато з них використовують значно складні математичні рівняння та показують на графіку, як конкретні приклади представляють різні величини як зміщення, так і дисперсії.
Ось простий спосіб описати упередженість, дисперсію та компромісність / компромісність у машинному навчанні.
По суті, упередженість - це надмірне спрощення. Важливо додати до визначення упередженості деяке припущення або допущену помилку.
Якби сильно упереджений результат не був помилковим - якби він був на гроші - це було б дуже точно. Проблема полягає в тому, що спрощена модель містить деяку помилку, тому її немає на очах - значна помилка постійно повторюється або навіть посилюється, коли працює програма машинного навчання.
Просте визначення варіації полягає в тому, що результати занадто розсіяні. Це часто призводить до надскладності програми та проблем між тестовими та навчальними наборами.
Висока дисперсія означає, що невеликі зміни створюють великі зміни у результатах чи результатах.
Ще один спосіб просто описати дисперсію - це те, що в моделі занадто багато шуму, і тому програмі машинного навчання стає важче ізолювати та ідентифікувати реальний сигнал.
Отож, один із найпростіших способів порівняння зміщення та дисперсії - це припустити, що інженерам машинного навчання доводиться проходити тонку межу між занадто великою зміщенням або надмірною спрощеністю та занадто великою дисперсією чи надскладністю.
Ще один спосіб представити цю свердловину - це чотириквадратна діаграма, що показує всі комбінації високої та низької дисперсії. У квадранті з низьким зміщенням / низькою дисперсією всі результати збираються в точний кластер. У результаті високої зміщення / низької дисперсії всі результати збираються в неточний кластер. У результаті низької зміщення / великої дисперсії результати розкидані навколо центральної точки, яка б представляла точний кластер, тоді як у результаті високої зміщення / великої дисперсії точки даних є розкиданими та сукупно неточними.
