𝗣𝗲𝗺𝗯𝗲𝗹𝗮𝗷𝗮𝗿𝗮𝗻 𝗱𝗮𝗹𝗮𝗺 𝗗𝗶𝗺𝗲𝗻𝘀𝗶 𝗧𝗶𝗻𝗴𝗴𝗶 𝗦𝗲𝗻𝘁𝗶𝗮𝘀𝗮 𝗠𝗲𝗻𝗷𝗮𝗱𝗶 𝗘𝗸𝘀𝘁𝗿𝗮𝗽𝗼𝗹𝗮𝘀𝗶
Data berdimensi tinggi mengubah cara mesin belajar.
Kebanyakan model berfungsi dengan baik pada data latihan. Ia gagal apabila bertemu corak baharu. Ini berlaku disebabkan oleh dimensi yang tinggi.
Dalam dimensi tinggi, titik data terletak jauh antara satu sama lain. Wujud ruang kosong di antara titik data anda. Model perlu meneka apa yang berlaku di dalam ruang kosong ini.
Tekaan ini adalah ekstrapolasi.
Apabila model melakukan ekstrapolasi, ia membuat andaian. Jika andaian tersebut salah, model akan gagal.
Perkara penting untuk diingati:
- Dimensi tinggi mewujudkan ruang kosong yang luas.
- Model mesti mengisi jurang ini untuk membuat ramalan.
- Ramalan dalam jurang ini bergantung kepada ekstrapolasi.
- Ekstrapolasi meningkatkan risiko ralat.
Memahami perkara ini membantu anda membina model yang lebih baik. Anda mesti tahu bila model anda sedang membuat tekaan.
Sumber: https://dev.to/paperium/learning-in-high-dimension-always-amounts-to-extrapolation-1nk
Komuniti pembelajaran pilihan: https://t.me/GyaanSetuAi