Q:
¿Por qué es importante el sesgo versus la varianza para el aprendizaje automático?
UN:Comprender los términos "sesgo" y "varianza" en el aprendizaje automático ayuda a los ingenieros a calibrar más completamente los sistemas de aprendizaje automático para cumplir con los fines previstos. El sesgo frente a la varianza es importante porque ayuda a gestionar algunas de las compensaciones en los proyectos de aprendizaje automático que determinan la eficacia de un sistema determinado para el uso empresarial u otros fines.
Al explicar el sesgo versus la varianza, es importante tener en cuenta que estos dos problemas pueden comprometer los resultados de los datos de maneras muy diferentes.
| Descarga gratuita: Aprendizaje automático y por qué es importante |
El sesgo se puede describir como un problema que da como resultado agrupaciones inexactas: es una situación en la que el aprendizaje automático puede devolver muchos resultados con precisión, pero pierde la marca en términos de precisión. Por el contrario, la varianza es una "dispersión" de información: es un desenfreno, un dato que muestra un rango de resultados, algunos de los cuales pueden ser exactos, pero muchos de los cuales quedarán fuera de una zona particular de precisión para hacer que el resultado general sea menos preciso y mucho más "ruidoso".
De hecho, algunos expertos que describen la varianza explican que los resultados de las variantes tienden a "seguir el ruido", donde los resultados sesgados no llegan lo suficientemente lejos como para explorar conjuntos de datos. Esta es otra forma de contrastar el problema del sesgo con el problema de la varianza: los expertos asocian el sesgo con el ajuste insuficiente, donde el sistema puede no ser lo suficientemente flexible como para incluir un conjunto de resultados óptimos. Por el contrario, la variación sería un tipo de opuesto, donde el sobreajuste hace que el sistema sea demasiado frágil y delicado para soportar muchos cambios dinámicos. Al observar el sesgo versus la varianza a través de este lente de complejidad, los ingenieros pueden pensar en cómo optimizar el ajuste de un sistema para que no sea demasiado complejo, ni demasiado simple, sino lo suficientemente complejo.
Estas son dos formas en que la filosofía de sesgo versus varianza es útil en el diseño de sistemas de aprendizaje automático. Siempre es importante trabajar con sesgo de máquina para intentar obtener un conjunto general de resultados que sean precisos para el uso al que se aplican. También siempre es importante observar la variación al tratar de controlar el caos o la locura de los resultados altamente dispersos o dispersos, y lidiar con el ruido en cualquier sistema dado.
