¿Qué tan útiles son los límites en la práctica?
Los límites pueden ayudar a explicar por qué funcionan los algoritmos de aprendizaje automático. Por ejemplo, podemos ver el impulso como la minimización de una función de pérdida convexa sobre un conjunto convexo de funciones y usar esto para dar un límite superior al error de entrenamiento. Otro ejemplo, error de generalización acotado con validación de omisión y vecinos k-más cercanos.
¿Los límites inferiores representan casos degenerados y los límites superiores casos excesivamente idealizados?
No, los límites de datos sintéticos son los esperados, si no lo son, debe revisar su prueba. Sí, en el mundo real, los supuestos de datos utilizados para probar los límites generalmente no se cumplen por completo.
¿Cómo se usan los límites en la práctica? En términos más generales, ¿cómo se aplican las pruebas sobre algoritmos de aprendizaje automático al mundo real?
Esto es difícil de responder sin usar un dominio específico. Pero algunas pruebas que son ciertas en general, como el teorema del almuerzo sin almuerzo, son útiles cuando se aplican al mundo real: el aprendizaje libre de prejuicios es imposible. Intentar desarrollar algoritmos de aprendizaje automático que funcionen bien en todas las tareas no tiene sentido. Agregar conocimiento de dominio a sus datos en los que operan los algoritmos de aprendizaje automático es clave para mejorar el rendimiento.
- ¿Cuál es la diferencia entre gradiente de política determinista y gradiente de política estocástica?
- Cómo eliminar una fila completa de un conjunto de datos si encuentro entradas faltantes en R
- ¿Cuál es la diferencia entre optimización submodular y convexa?
- ¿Cuáles son los diferentes modelos de aprendizaje automático?
- ¿Cuáles son algunas razones por las que algunas personas prefieren R y Matlab a Python para el aprendizaje automático?
