En el contexto del aprendizaje automático, romper un conjunto de puntos significa dibujar curvas / superficies / hiperesuperficies que dividen el espacio en regiones de modo que todos los puntos de muestra en cada región tengan la misma etiqueta. Esto es más fácil de imaginar en 2 dimensiones, donde el plano se puede dividir usando curvas 1-d. Es especialmente fácil de entender con dibujos. Por ejemplo, aquí hay una secuencia de conjuntos de puntos etiquetados que se rompen por una línea:
Los puntos positivos y negativos nunca están en el mismo semiplano, por lo tanto, se han roto.
- ¿Por qué son importantes las redes de confrontación generativas?
- ¿Qué algoritmo usar en la clasificación de la cobertura del suelo?
- Sin considerar el costo del conjunto de validación, ¿necesito muchos datos para reducir el costo del tren en la Red neuronal profunda?
- Cómo obtener una pasantía de investigación en aprendizaje automático o inteligencia artificial en una universidad de los EE. UU., Ser indio trabajando en una startup
- ¿Qué matemática debería revisar / aprender si quiero comprender a fondo el modelado de efectos mixtos / modelado de regresión?
Gráficos de la dimensión VC – Wikipedia
