L'apprentissage en haute dimension revient toujours à de l'extrapolation
Les données de haute dimension modifient la manière dont les machines apprennent.
La plupart des modèles fonctionnent bien sur les données d'entraînement. Ils échouent lorsqu'ils rencontrent de nouveaux schémas. Cela est dû à la haute dimension.
En haute dimension, les points de données sont très éloignés les uns des autres. Des espaces vides existent entre vos points de données. Le modèle doit deviner ce qui se passe dans ces espaces vides.
Cette supposition constitue de l'extrapolation.
Lorsqu'un modèle extrapole, il fait des suppositions. Si ces suppositions sont erronées, le modèle échoue.
Points clés à retenir :
- La haute dimension crée de vastes espaces vides.
- Les modèles doivent combler ces vides pour effectuer des prédictions.
- Les prédictions dans ces vides reposent sur l'extrapolation.
- L'extrapolation augmente le risque d'erreurs.
Comprendre cela vous aide à construire de meilleurs modèles. Vous devez savoir quand votre modèle est en train de deviner.
Source : https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
Communauté d'apprentissage optionnelle : https://t.me/GyaanSetuAi