Tomar expectativas surge en una variedad de situaciones diferentes y tienen diferentes razones.
- Analizando un algoritmo en machine learning. Por ejemplo, cuando está entrenando un modelo en el conjunto de entrenamiento, lo que realmente le importa es su rendimiento en la prueba de prueba, que será peor que su rendimiento en el conjunto de entrenamiento. Teóricamente, el rendimiento de un algoritmo en el conjunto de prueba es más o menos lo mismo que tomar expectativas sobre la distribución. Entonces, al tomar expectativas, podrá analizar el rendimiento de un algoritmo en el conjunto de pruebas.
- prueba de hipótesis / estimación de parámetros. Cuando intenta estimar parámetros en un modelo estadístico asumido, la expectativa está relacionada con la consistencia del pescador. En términos generales, necesita su método para dar un buen rendimiento en el entorno más ideal donde tiene muestras infinitas.
- Algoritmos estocásticos. Tener expectativas en los algoritmos estocásticos le da una intuición de por qué la aleatoriedad ayudará en el algoritmo. Por ejemplo, en el algoritmo de clasificación rápida, al esperar la longitud de la secuencia después de una manipulación, se obtiene una idea en promedio de qué tan bien se comportará su algoritmo.