Seguro. Y podría colocar un prior en ese parámetro, y un prior en eso , y así sucesivamente.
En algún momento, la influencia de su elección de parámetro se verá eclipsada por la influencia de los datos. En la práctica, esto sucede bastante temprano. Por lo general, simplemente adivinamos cuántas clases / temas / … hay, y usamos un hiperparámetro que elegirá valores cercanos a eso. Siempre puede verificar eligiendo valores lejos del valor estimado y ver si eso mejora el rendimiento general. Asegúrese de usar un conjunto de validación, ya que aumentar el hiperparámetro podría aumentar el número esperado de parámetros en el modelo, lo que llevaría a una disminución en el error de entrenamiento. Por ejemplo, para el modelado de temas basado en texto, siempre puede asignar un tema a cada palabra en el diccionario y modelar cada documento con una precisión muy alta.
- ¿Cuáles son algunas de las funciones de uso común que se pueden extraer de la música con fines de aprendizaje automático?
- ¿Cómo decidimos qué algoritmo usar en el aprendizaje automático?
- ¿Debo memorizar las matemáticas y los algoritmos al aprender el aprendizaje automático y el aprendizaje profundo?
- En LSTM, ¿cómo calculas qué tamaño deben tener los pesos?
- ¿Existe alguna relación entre la asignación de Dirichlet latente y los procesos de dirichlet?
