K:
Hogyan tudják a mérnökök kiértékelni az edzőkészleteket és a tesztkészleteket, hogy észleljék a lehetséges túllépést a gépi tanulás során?
A:Ahhoz, hogy megértsük, hogyan történik ez, elengedhetetlenül meg kell ismernünk a különféle adatkészletek szerepét egy tipikus gépi tanulási projektben. Az edzéskészlet úgy van kialakítva, hogy referenciakeretet nyújtson a technológiának - egy olyan adatbázist, amelyet a program prediktív és valószínűségi döntések meghozatalához használ. A tesztkészlet az, ahol a gépet adatokkal teszteljük.
A túlteljesítés olyan szindróma a gépi tanulásban, amikor a modell nem felel meg teljesen az adatoknak vagy a célnak.
| Ingyenes letöltés: Gépi tanulás és miért számít? |
A gépi tanulás egyik átfogó parancsolata az, hogy a képzési adatoknak és a tesztadatoknak külön adatkészleteknek kell lenniük. Meglehetõsen széles körû konszenzus van ebben, legalábbis sok alkalmazásban, bizonyos sajátos problémák miatt, amikor ugyanazt a készüléket használja, amelyet az edzéshez használtál a gépi tanulási program tesztelésére.
Amikor egy gépi tanulási program egy edzőkészletet használ, amelyet alapvetően bemeneti készletnek nevezhetünk, akkor az edzőkészletből kiszámítja a prediktív eredményeket. Az egyik nagyon alapvető gondolkodási mód az, hogy a képzési készlet az „élelmiszer” az intellektuális számítástechnikai folyamathoz.
Most, amikor ugyanazt a készüléket tesztelésre használják, a gép gyakran kiváló eredményeket hozhat. Ennek oka az, hogy már látta ezeket az adatokat korábban. De a gépi tanulás teljes célja sok esetben az, hogy eredményeket érjen el olyan adatokról, amelyeket még nem látott. Az általános célú gépi tanulási programokat különféle adatkészletekkel való működésre készítették. Más szavakkal, a gépi tanulás elve a felfedezés, és általában nem annyit szerez belőle, ha egy kezdeti képzési készletet tesztelési célokra használ.
Az esetleges túllépéshez szükséges edzőkészletek és tesztkészletek értékelésekor a mérnökök felbecsülhetik az eredményeket, és kitalálhatják, hogy a program miért tehet másképpen ezt a két készlet összehasonlító eredményeit, vagy bizonyos esetekben, hogy a gép miként képes túl jól maga a képzési adatokra .
Jason Brownlee, a 2014-es darabban a gépi tanulásban felmerülő problémák képessé tételeként leírja a túllépést:
"Nagyon valószínű, hogy egy modellnek, amelyet a képzési adatkészlet pontosságának, és nem egy láthatatlan teszt adatkészletének pontossága miatt választanak, kisebb a pontossága egy láthatatlan teszt adatkészletnél" - írja Brownlee. "Ennek oka az, hogy a modell nem olyan általános. A specifikáció az edzés adatkészletének struktúrájához igazult (dőlt betűvel). Ezt túlteljesítésnek hívják, és ez alattomosabb, mint gondolnád."
Általános szempontból elmondhatjuk, hogy a képzési adatkészletre specializálódva a program túl merev lesz. Ez egy másik metaforikus módszer annak megvizsgálására, hogy a gépi tanulási program miért nem szolgálja optimálisan a tesztkészlet edzőkészletének használatát. Ez is jó módszer a két különféle készlet értékeléséhez, mivel az eredmények sokat megmutatnak a mérnököknek arról, hogy a program hogyan működik. Szeretne kisebb különbséget a pontosság között mindkét modellnél. Gondoskodni szeretne arról, hogy a rendszer ne legyen túlterhelve vagy "pontosan olvadva" egy adott adatkészlethez, hanem ez általánosabb, és képes a parancson növekedni és fejlődni.
