研究偏差-方差权衡：
expected loss = bias + variance + noise
我知道我们通过在低偏差/高方差和高偏差/低方差之间找到“最佳”平衡来最小化这个数量。然而，这个noise词是我们无法控制的。所以从某种意义上说，如果noise很大，那么学习是没有意义的，对吧？是否有技术可以检测何时可能出现这种情况？
如何检测嘈杂的数据集（偏差和方差权衡）
机器算法验证
机器学习
方差
噪音
偏差-方差-权衡
2022-04-06 04:34:51
1个回答
当噪音“大”时，学习并不是毫无意义的，但在某种意义上它是“昂贵的”。例如，您知道“房子总是赢”的表达方式。这意味着赔率有利于赌场而不是赌徒。然而，赔率可能非常接近 1:1，他们可能只是稍微向“房子”倾斜，例如 0.5%。因此，在某些情况下，您可能会称结果系列非常嘈杂，但从长远来看，赌场会赚很多钱。因此，数据“嘈杂”这一事实并不意味着孤立地学习将毫无意义、无用或无利可图。
其它你可能感兴趣的问题