Ocams Rasiermesser: Wenn es mehrere Hypothesen gibt, die mit Beobachtungen übereinstimmen, wählen Sie die einfachste.

Wichtige Prämisse des NFL-Theorems

Diese Reihe von Rekorden

Jeder Datensatz ist eine Beschreibung eines Ereignisses oder Objekts

Angelegenheiten, die in irgendeiner Hinsicht die Leistung oder Natur eines Ereignisses oder Objekts widerspiegeln

Da jedem Punkt im Raum ein Koordinatenvektor entspricht, nennen wir ein Beispiel auch an „Merkmalsvektor“

Im Allgemeinen sei D={x1,x2,..,xm} ein Datensatz mit m Beispielen. Jedes Beispiel wird durch d Attribute beschrieben (z. B. verwenden die Wassermelonendaten oben 3 Attribute), dann ist jedes Beispiel xi=(xi1 ;xi2;...xid) ist ein Vektor im d-dimensionalen Probenraum. Der Wert des Attributs ist „Steifheit“), und d wird als „Dimensionalität“ der Probe xi bezeichnet.

Der Prozess des Lernens eines Modells aus Daten wird als „Lernen“ oder „Training“ bezeichnet. Dieser Prozess wird durch die Ausführung eines Lernalgorithmus abgeschlossen.

Das erlernte Modell entspricht einem bestimmten potenziellen Gesetz über die Daten, daher wird es auch als „Hypothese“ bezeichnet; dieses potenzielle Gesetz selbst wird „Wahrheit“ oder „Realität“ genannt, und der Lernprozess besteht darin, die Wahrheit herauszufinden oder sich ihr anzunähern.

"Überwachtes Lernen"

"Unbeaufsichtigtes Lernen"

„Teilüberwachtes Lernen“

Das Ziel des maschinellen Lernens besteht darin, das erlernte Modell gut auf „neue Modelle“ anwendbar zu machen. „Wir bezeichnen nicht nur den Trainingssatz, sondern auch die Fähigkeit des Modells, sich an neue Stichproben anzupassen Stärke ist die Fähigkeit zur Verallgemeinerung.

Induktion, Verallgemeinerung vom Besonderen zum Allgemeinen Verfahren.

Deduktion, der Prozess vom Allgemeinen zur „Spezialisierung“. Maschinelles Lernen ist im Wesentlichen induktives Lernen.

Eine Hypothese, die aus allen Werten gebildet wird, die das Attribut annehmen kann.

Ein „Satz von Hypothesen“, der mit dem Trainingssatz übereinstimmt.