Hola pj shetty
Espero que esta definición pueda serle útil (citado de: Aprendizaje automático en entornos no estacionarios de MIT Press):
“Este libro se enfoca en un entorno no estacionario específico conocido como desplazamiento covariable , en el cual las distribuciones de entradas (consultas) cambian pero la distribución condicional de salidas (respuestas) no cambia , y presenta la teoría de aprendizaje automático, algoritmos y aplicaciones para superar esta variedad de no estacionariedad “.
- ¿Quiénes son los grandes nombres en el campo de investigación de los sistemas de recomendación?
- ¿Qué es un proceso gaussiano?
- ¿Qué nos dicen las cargas de variables del análisis de componentes principales?
- ¿Cuáles son las configuraciones adecuadas para la agrupación de documentos con K-means?
- ¿Dónde puedo ir para averiguar cómo extraer características de un documento de texto para usar en el entrenamiento de un clasificador?
Y otro de f1000 (plataforma de investigación gratuita de código abierto; comprensión del cambio de covariable en el rendimiento del modelo):
” El cambio de covariable es una técnica de aprendizaje automático que se puede utilizar en el aprendizaje supervisado cuando se sabe que las distribuciones de entrenamiento y predicción difieren, pero el concepto que se aprende permanece estacionario”. […] ” El cambio de covariable ocurre con frecuencia durante el proceso de descubrimiento de fármacos donde el aprendizaje Los sistemas están diseñados para predecir propiedades fisicoquímicas de interés. Inicialmente, un equipo de química puede centrarse en una serie química particular, y la información de esta serie se utiliza para entrenar un sistema de aprendizaje. A medida que avanza el proyecto, el equipo de química puede reenfocar sus esfuerzos en una nueva serie estructuralmente distinta. La precisión de las predicciones computacionales prospectivas en la nueva serie puede verse comprometida ya que estas moléculas se originan a partir de una distribución que es distinta del conjunto molecular utilizado para entrenar la herramienta de aprendizaje “.
“ Los métodos de cambio de covariable generalmente vuelven a evaluar las instancias en los datos de entrenamiento para que la distribución de las instancias de entrenamiento esté más estrechamente alineada con la distribución de instancias en el conjunto de predicciones. Esto se logra proporcionando más ponderación durante la construcción del modelo a una instancia en el conjunto de entrenamiento que sea similar a una instancia en el conjunto de predicción “.
Espero que esto arroje algo de luz sobre la pregunta que ha formulado.