Muchos valores atípicos influirán en el entrenamiento, pero algunos no . Este es el por qué.
- Las redes neuronales se entrenan principalmente en lotes . Esto significa que en lugar de actualizar los parámetros de la red después de cada muestra, los actualiza después de 32 , 64 , 128 o más muestras. Esto significa que los errores en la dirección del gradiente utilizado para la retropropagación se suavizarán y no dará un paso directo en la dirección incorrecta debido a un valor atípico .
- Como la mayoría de los algoritmos de aprendizaje automático, las redes neuronales usan una tasa de aprendizaje . Esto significa que los parámetros solo cambian ligeramente en cada iteración. Una muestra por sí sola solo tiene un pequeño efecto en el cambio de parámetros, es el conjunto de datos completo lo que impacta la capacitación.
Dicho esto, los valores atípicos tienen un impacto en la capacitación, es decir, limpiar su conjunto de datos lo ayudará a tener el mejor ajuste para su modelo. Cuantos más valores atípicos, más ruidosos sean los datos y una gran cantidad de valores atípicos puede distorsionar mucho su modelo .
- ¿Puede proporcionar una situación o ejemplo muy simple para el que se utiliza Machine Learning?
- Dado el impacto potencial de la IA en el empleo, ¿qué piensa sobre un ingreso básico universal?
- ¿Cómo es la investigación de Inteligencia Artificial en la industria diferente a la de la academia?
- Si la IA dominara el campo de la inversión de valor analizando y analizando, como los humanos, ¿tendría algún sentido producir contenidos para inversores de valor?
- ¿Cuáles son algunas de las principales conferencias sobre procesamiento del lenguaje natural para un investigador potencial?