Son extremadamente rápidos de entrenar (sin propagación hacia atrás; en realidad se ajusta de la misma manera que un modelo de regresión múltiple), tienen propiedades de aproximación universal probadas matemáticamente (tiene que ver con el mapeo aleatorio) y son muy flexibles como una arquitectura de aprendizaje profundo. Cuando los usé para predecir la utilización individual de la atención médica durante un período de 6 meses, pude obtener un error cercano a 0 en una población de> 1,000,000. Se ejecutó en 2 minutos en mi computadora portátil, y el único error ocurre con las tasas de utilización más altas (100x + la tasa normal). Me he encontrado con otros resultados continuos en una variedad de problemas, y los resultados son bastante consistentes con tamaños de muestra suficientes (1000 o más).
Son bastante robustos para la función de mapeo y el número de nodos en la capa oculta. Compare esto con el aprendizaje profundo, que requiere una amplia sintonización y construcción de la arquitectura. Alguien que usa un ELM solo necesita un poco de experiencia en programación en R o Python para implementar y alcanzará una buena predicción en segundos o minutos frente a un tiempo mucho más largo de ejecución y una programación más complicada para el aprendizaje profundo.
Los ELM también son técnicas de modelado muy flexibles, que permiten el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje semi-supervisado. Muy pocas técnicas en el aprendizaje automático pueden hacerlo.
- ¿Quién tiene más inteligencia artificial sobre los humanos: Facebook o Google? ... ¿Y en el futuro?
- ¿Qué es exactamente la inteligencia artificial?
- ¿Cuáles son los mejores proyectos en tiempo real sobre regresión en el dominio del aprendizaje automático?
- ¿Por qué el algoritmo EM (maximización de expectativas) necesariamente converge? ¿Cuáles son algunas de sus aplicaciones comunes?
- ¿Qué sigue para Alexa / Echo de Amazon?
Son uno de mis algoritmos favoritos, y creo que la industria comenzará a recurrir a ellos como una alternativa al aprendizaje profundo en el futuro cercano debido a estas propiedades. Las empresas familiares que no pueden pagar un experto en aprendizaje profundo pueden contratar a un científico de datos durante 2 horas por trimestre para que las ejecute como métodos de pronóstico para el negocio.