یادگیری در ابعاد بالا همیشه به برونیابی ختم میشود
دادههای با ابعاد بالا، شیوه یادگیری ماشینها را تغییر میدهند.
اکثر مدلها روی دادههای آموزشی بهخوبی عمل میکنند، اما وقتی با الگوهای جدید مواجه میشوند، شکست میخورند. این اتفاق به دلیل ابعاد بالا رخ میدهد.
در ابعاد بالا، نقاط داده با فاصله زیادی از هم قرار میگیرند. فضاهای خالی بین نقاط داده شما وجود دارد. مدل باید حدس بزند که در این فضاهای خالی چه اتفاقی میافتد.
این حدس زدن، همان برونیابی است.
وقتی یک مدل برونیابی میکند، فرضهایی را در نظر میگیرد. اگر آن فرضها اشتباه باشند، مدل شکست میخورد.
نکات کلیدی که باید به خاطر بسپارید:
- ابعاد بالا فضاهای خالی وسیعی ایجاد میکنند.
- مدلها باید برای انجام پیشبینی، این شکافها را پر کنند.
- پیشبینیها در این شکافها بر برونیابی متکی هستند.
- برونیابی خطر خطا را افزایش میدهد.
درک این موضوع به شما کمک میکند تا مدلهای بهتری بسازید. شما باید بدانید که چه زمانی مدل شما در حال حدس زدن است.
Source: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
Optional learning community: https://t.me/GyaanSetuAi