Публикации по теме 'variance'


Проблемы приспособленности целевой функции в машинном обучении
Пригодность целевой функции, аппроксимируемой алгоритмом обучения, определяет, насколько правильно она способна классифицировать набор данных, который никогда не видел. Недооснащение: Если целевая функция слишком проста, она может не улавливать существенные нюансы и хорошо представлять лежащие в основе данные. Пример: при попытке представить нелинейные данные с помощью линейной модели Недообучение происходит из-за отсутствия достаточных обучающих данных. Недооснащения можно..
Стандартное отклонение против дисперсии
Стандартное отклонение показывает, насколько наши данные в среднем отличаются от среднего значения. Возьмем пример. Предположим, мы измерили рост разных взрослых. мы вычисляем среднее значение их роста путем сложения всех значений и деления на общее количество людей. Нас не интересует, насколько рост каждого человека отличается от среднего значения. Но нам было бы более интересно узнать, насколько в среднем рост человека отклоняется от среднего значения. Итак, это корень из..
Неснижаемая ошибка отклонения смещения и компромисс сложности модели
Контролируемое машинное обучение можно резюмировать, как показано ниже. Данные обучения поступают в алгоритм, в результате чего получается целевая функция. Тестовые данные вводятся в эту целевую функцию для получения прогноза. Например, алгоритм простой линейной регрессии следует уравнению h (y) = b0 + b1X1. Алгоритм использует данные обучения для получения коэффициентов b0 и b1. Значения коэффициентов добавляются в формулу для получения целевой функции. После того, как..
Компромиссы смещения и дисперсии ⚡
Когда вы обучаете модель машинного обучения, как вы можете определить, хорошо она работает или нет? Есть много метрик, которые дают вам эту информацию, и каждая из них используется в разных типах сценариев. Например, если мы обучаем регрессионную модель, возможно, средняя абсолютная ошибка была бы хорошим выбором для метрик. Или, если мы делаем классификационную модель, оценка F1 может быть подходящей. Теперь, когда мы знаем, как работает наша модель, как нам ее улучшить? Прежде чем..
Физическое значение ковариационной матрицы
Геометрический смысл собственных векторов Графики — один из лучших способов увидеть суть ваших данных. Различия между переменными можно легко увидеть без каких-либо математических расчетов. Тем не менее, вы можете захотеть углубиться в детали и математически интерпретировать эти вариации и решить использовать ковариационную матрицу. Хотя ковариационная матрица кажется просто матрицей, показывающей дисперсию между переменными, она содержит важную информацию, которая может объяснить..
Предвзятость и дисперсия объясняются с использованием python
Основная цель при обучении контролируемой модели машинного обучения — свести к минимуму ошибки. В чем ошибка? Ошибка — это разница между фактическим значением и прогнозируемым значением. Тогда что это? Здесь MSE — это среднеквадратичная ошибка , а другие типы ошибок. Типы ошибок Неисправимая ошибка Ошибка смещения Ошибка отклонения 1. Неустранимая ошибка: Ошибка, которую нельзя уменьшить. Попробуйте оптимизировать любой алгоритм, но ошибка не..
Диагностика машинного обучения
Оцените гипотезу модели Произвольное разделение данных на обучающий набор, проверочный набор и тестовый набор (6:2:2) Используйте проверочный набор для выбора модели Используйте тестовый набор для оценки ошибки обобщения Выберите быстрый и грязный алгоритм, чтобы сначала выполнить анализ Диагностика предвзятости и дисперсии График ошибки обучения и ошибки проверки в зависимости от сложности модели (например, степени полиномов) Если вы уже выбрали модель с достаточной..