𝗕𝗲𝗹𝗮𝗷𝗮𝗿 𝗱𝗮𝗹𝗮𝗺 𝗗𝗶𝗺𝗲𝗻𝘀𝗶 𝗧𝗶𝗻𝗴𝗴𝗶 𝗦𝗲𝗹𝗮𝗹𝘂 𝗕𝗲𝗿𝘂𝗷𝘂𝗻𝗴 𝗽𝗮𝗱𝗮 𝗘𝗸𝘀𝘁𝗿𝗮𝗽𝗼𝗹𝗮𝘀𝗶
Data berdimensi tinggi mengubah cara mesin belajar.
Sebagian besar model bekerja dengan baik pada data pelatihan. Mereka gagal saat menemui pola baru. Hal ini terjadi karena dimensi yang tinggi.
Dalam dimensi tinggi, titik-titik data terletak berjauhan. Terdapat ruang kosong di antara titik-titik data Anda. Model harus menebak apa yang terjadi di ruang-ruang kosong ini.
Tebakan ini adalah ekstrapolasi.
Saat sebuah model melakukan ekstrapolasi, ia membuat asumsi. Jika asumsi tersebut salah, model tersebut akan gagal.
Poin penting untuk diingat:
- Dimensi tinggi menciptakan ruang kosong yang sangat luas.
- Model harus mengisi celah-celah ini untuk membuat prediksi.
- Prediksi di celah-celah ini bergantung pada ekstrapolasi.
- Ekstrapolasi meningkatkan risiko kesalahan.
Memahami hal ini membantu Anda membangun model yang lebih baik. Anda harus tahu kapan model Anda sedang menebak.
Sumber: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
Komunitas belajar opsional: https://t.me/GyaanSetuAi