Zuhause Persönliche Finanzen Die Grenzen von Bias beim maschinellen Lernen kennen lernen - Dummies

Die Grenzen von Bias beim maschinellen Lernen kennen lernen - Dummies

Video: KI Nachgefragt Episode #4: KI und Recht, Ethik & wirtschaftliche Zukunftspotenziale | PwC 2025

Video: KI Nachgefragt Episode #4: KI und Recht, Ethik & wirtschaftliche Zukunftspotenziale | PwC 2025
Anonim

Das maschinelle Lernen hängt stark von den In-Sample-Daten ab. Dieser Teil Ihrer Daten ist wichtig, weil Sie einen Standpunkt der Welt entdecken wollen, und wie bei allen Gesichtspunkten kann er falsch, verzerrt oder einfach nur partiell sein. Sie wissen auch, dass Sie ein Out-of-Sample-Beispiel benötigen, um zu überprüfen, ob der Lernprozess funktioniert. Diese Aspekte bilden jedoch nur einen Teil des Bildes.

Wenn Sie einen maschinellen Lernalgorithmus mit Daten arbeiten lassen, um eine bestimmte Antwort zu erraten, nehmen Sie effektiv ein Risiko ein, und dieses Glücksspiel beruht nicht nur auf der Stichprobe, die Sie zum Lernen verwenden. Es gibt mehr. Stellen Sie sich vorläufig vor, dass Sie frei auf geeignete, unverzerrte In-Sample-Daten zugreifen können, so dass Daten nicht das Problem sind. Stattdessen müssen Sie sich auf die Lern- und Vorhersagemethode konzentrieren.

Zuerst müssen Sie bedenken, dass Sie darauf vertrauen, dass der Algorithmus die Antwort vernünftig erraten kann. Sie können diese Annahme nicht immer treffen, weil es nicht möglich ist, bestimmte Antworten herauszufinden, egal was Sie im Voraus wissen.

Zum Beispiel können Sie das Verhalten von Menschen nicht vollständig bestimmen, indem Sie ihre Vorgeschichte und ihr Verhalten kennen. Vielleicht ist ein zufälliger Effekt in den generativen Prozess unseres Verhaltens involviert (zum Beispiel der irrationale Teil von uns), oder vielleicht geht es um den freien Willen (das Problem ist auch ein philosophisch / religiöses, und es gibt viele unharmonische Meinungen)). Folglich können Sie nur einige Arten von Antworten erraten, und für viele andere, z. B. wenn Sie versuchen, das Verhalten von Personen vorherzusagen, müssen Sie ein gewisses Maß an Unsicherheit akzeptieren, das mit etwas Glück für Ihre Zwecke akzeptabel ist.

Zweitens müssen Sie bedenken, dass Sie darauf vertrauen, dass die Beziehung zwischen den Informationen, die Sie haben, und der Antwort, die Sie vorhersagen möchten, als eine mathematische Formel einer Art ausgedrückt werden kann und dass Ihr maschinelles Lernen Algorithmus ist tatsächlich in der Lage, diese Formel zu erraten. Die Fähigkeit Ihres Algorithmus, die mathematische Formel hinter einer Antwort zu erraten, ist inhärent in die Schrauben und Muttern des Algorithmus eingebettet.

Einige Algorithmen können fast alles erraten; andere haben tatsächlich eine begrenzte Anzahl von Optionen. Der Bereich möglicher mathematischer Formulierungen, den ein Algorithmus erraten kann, ist die Menge seiner möglichen Hypothesen. Folglich ist eine Hypothese ein einzelner Algorithmus, der in allen seinen Parametern spezifiziert ist und daher zu einer einzigen spezifischen Formulierung fähig ist.

Mathematik ist fantastisch. Es kann einen Großteil der realen Welt beschreiben, indem es eine einfache Notation verwendet, und es ist der Kern des maschinellen Lernens, da jeder Lernalgorithmus eine gewisse Fähigkeit besitzt, eine mathematische Formulierung darzustellen.Einige Algorithmen, wie die lineare Regression, verwenden explizit eine spezifische mathematische Formulierung, um darzustellen, wie sich eine Antwort (zum Beispiel der Preis eines Hauses) auf eine Reihe von Vorhersageinformationen (wie Marktinformationen, Hausstandort, Grundstücksfläche, und so weiter).

Einige Formulierungen sind so komplex und kompliziert, dass sie zwar auf Papier dargestellt werden können, dies jedoch in der Praxis zu schwierig ist. Einige andere ausgefeilte Algorithmen, wie zum Beispiel Entscheidungsbäume, haben keine explizite mathematische Formulierung, sind aber so anpassungsfähig, dass sie leicht an einen großen Bereich von Formulierungen angenähert werden können. Betrachten wir zum Beispiel eine einfache und leicht erklärbare Formulierung. Die lineare Regression ist nur eine Linie in einem Raum von Koordinaten, der durch die Antwort und alle Prädiktoren gegeben ist. Im einfachsten Beispiel können Sie eine Antwort, y, und einen einzigen Prädiktor, x, mit einer Formulierung von

y = β 1 x 1 + β 0

In einer einfachen Situation einer Antwort, die von einem einzelnen Merkmal vorhergesagt wird, ist ein solches Modell perfekt, wenn sich Ihre Daten als eine Linie anordnen. Aber was passiert, wenn es nicht funktioniert und sich stattdessen wie eine Kurve formt? Betrachten Sie zur Darstellung der Situation nur die folgenden zweidimensionalen Darstellungen.

Beispiel für ein lineares Modell, das versucht, eine Kurvenfunktion abzubilden.

Wenn Punkte einer Linie oder einer Wolke ähneln, tritt ein Fehler auf, wenn Sie herausfinden, dass das Ergebnis eine gerade Linie ist. daher ist die durch die vorhergehende Formulierung bereitgestellte Abbildung irgendwie ungenau. Der Fehler tritt jedoch nicht systematisch, sondern zufällig auf, da einige Punkte über der abgebildeten Linie liegen und andere darunter. Die Situation mit der gekrümmten, geformten Punktwolke ist anders, weil diesmal die Linie manchmal exakt ist, aber zu anderen Zeiten systematisch falsch ist. Manchmal sind Punkte immer über der Linie; manchmal sind sie darunter.

In Anbetracht der Einfachheit der Abbildung der Antwort tendiert Ihr Algorithmus dazu, die realen Regeln hinter den Daten systematisch zu überschätzen oder zu unterschätzen. Die Verzerrung ist charakteristisch für einfachere Algorithmen, die keine komplexen mathematischen Formulierungen ausdrücken können.

Die Grenzen von Bias beim maschinellen Lernen kennen lernen - Dummies

Die Wahl des Herausgebers

Wie man die Socialcast Mobile App benutzt - dummies

Wie man die Socialcast Mobile App benutzt - dummies

Sogar die stoischste Anwendung wie Microsoft Excel hat ein begleitendes Smartphone-App, natürlich hat Socialcast auch eine. Wenn es so wäre, wäre es nicht wirklich eine Ausrede zu sagen, dass Socialcast nicht sehr sozial wäre, wenn du es nicht mit in die große Welt außerhalb deiner Zelle mitnehmen könntest. Die mobile App ...

Wie man das App Verzeichnis von Yammer benutzt - dummies

Wie man das App Verzeichnis von Yammer benutzt - dummies

Sie haben vielleicht gehört: "Es gibt eine App dafür. "Nun, das ist der Fall bei Yammer, der als einzige Ressource für die Vernetzung am Arbeitsplatz funktioniert. Aber Yammer bietet Ihnen auch eine Menge Apps, mit denen Sie Ihr Arbeitsleben noch einfacher gestalten können. Es gibt zwei Möglichkeiten, auf das App-Verzeichnis zuzugreifen: Option ...

So ​​verwenden Sie die Yammer-Analysetools - Dummies

So ​​verwenden Sie die Yammer-Analysetools - Dummies

Yammer rühmt sich damit als "führendes soziales Unternehmensnetzwerk für Unternehmen" um die Arbeit intelligenter und schneller zu erledigen. "Woher weißt du, ob das wahr ist? Ein guter Weg, um zu sehen, wie es für Sie funktioniert, ist die Analyse von Yammer. Wie greifen Sie auf diese großartigen Tools zu? Es ist einfach. Log ...

Die Wahl des Herausgebers

Die Evolution von Distributed Computing für Big Data - Dummies

Die Evolution von Distributed Computing für Big Data - Dummies

Hinter allen wichtigen Trends des letzten Jahrzehnts, einschließlich Serviceorientierung, Cloud Computing, Virtualisierung und Big Data, ist eine grundlegende Technologie namens Distributed Computing. Einfach gesagt, ohne die Verteilung von Datenverarbeitung wäre keiner dieser Fortschritte möglich. Distributed Computing ist eine Technik, mit der einzelne Computer über geografische Gebiete hinweg miteinander vernetzt werden können, so als ob ...

Drei Anbieter mit Data Mining-Produkten - Dummies

Drei Anbieter mit Data Mining-Produkten - Dummies

Es gibt mehrere Anbieter, die Data-Mining-Produkte verkaufen, die Sie vielleicht in Betracht ziehen möchten. Verwenden Sie mit Ihrem Data Warehouse. Hier sind drei, die eine Überlegung wert sind. Microsoft Microsoft hat das serverseitige Data Mining mit Microsoft SQL Server 2005 eingeführt. Obwohl es nicht so ausgereift und ausgeklügelt wie SAS und SPSS ist, hat Microsoft im Laufe der Zeit seine Fähigkeit bewiesen ...

Grundlagen der Big-Data-Integration - Dummies

Grundlagen der Big-Data-Integration - Dummies

Die fundamentalen Elemente der Big-Data-Plattform verwalten Daten auf neue Weise verglichen mit der traditionellen relationalen Datenbank. Dies liegt daran, dass Skalierbarkeit und hohe Leistung erforderlich sind, um sowohl strukturierte als auch unstrukturierte Daten zu verwalten. Komponenten des Big-Data-Ökosystems von Hadoop bis NoSQL DB, MongoDB, Cassandra, ...

Die Wahl des Herausgebers

So ​​stellen Sie eine Verbindung zu Spotify Mobile her - Dummies

So ​​stellen Sie eine Verbindung zu Spotify Mobile her - Dummies

Die meisten modernen Smartphones sind Wi-Fi-fähig. In ein lokales Netzwerk können Sie Spotify-Tracks mithilfe von Wi-Fi auf Ihr Telefon streamen. Sie können Spotify Mobile zu Hause und über Wi-Fi-Netzwerke in Hotels und Cafés problemlos nutzen - Sie müssen nur sicherstellen, dass Sie angemeldet und verbunden sind. ...

Wie Spotify funktioniert - Dummies

Wie Spotify funktioniert - Dummies

Wie Spotify funktioniert, kann Auswirkungen auf den Festplattenspeicher Ihres Computers haben. Internetverbindung. Spotify funktioniert anders als viele andere Online-Musikdienste, weil es auf mehrere Arten angewiesen ist, um Ihnen reibungslos Musik ohne Verzögerungen zu liefern. In Computing-Sprechen, das Maß der Verzögerung zwischen Anfordern eines Songs und Hören es ...

So ​​erreichen Sie Spotify Support - Dummies

So ​​erreichen Sie Spotify Support - Dummies

Es kann vorkommen, dass Sie eine kleine Hilfe beim Navigieren und Verwenden von Spotify benötigen von deinen Spotify Freunden. Sie können jederzeit Support @ spotify per E-Mail senden. com mit Ihrer Frage oder melden Sie sich bei Twitter an und senden Sie einen Tweet an @spotify. Stellen Sie sicher, dass Sie alle Informationen einschließen, die dem Support-Team helfen könnten, einschließlich Ihres Benutzernamens, damit sie ...