Stable and Unstable PredictorsWe ha

Stable and Unstable Predictors
We have discussed how error measures play a role in the Supervised Learning problem and
assessing the predictors we work with. We now make a distinction between two classes of
predictors, unstable and stable. An unstable predictor is one that has a strong dependency
on its training data, therefore the hypothesis it forms during learning depends to a large
degree on what data it received. Examples of unstable predictors are decision trees [34]
and neural networks (see section 2.1.4). A stable predictor is one that has no such strong
dependency on the training data; examples of stable predictors are k-nearest neighbour
classifiers and the Fischer linear discriminant [34]. Unstable classifiers exhibit what is known
as high variance, while stable classifiers exhibit low variance (see [13] for more information).
It is this property that brings us to choose unstable classifiers as the focus of the thesis.
Variance is one half of the well known bias-variance decomposition of an error function,
which we will now discuss.

ผลลัพธ์ (ไทย) 2:

ทำนายมั่นคงและแน่นอนเราได้คุยกันว่ามาตรการข้อผิดพลาดที่มีบทบาทสำคัญในการเรียนรู้ปัญหาที่เกิดขึ้นภายใต้การควบคุมและการประเมินผลการพยากรณ์ที่เราทำงานด้วย ตอนนี้เราทำให้ความแตกต่างระหว่างสองชั้นของการพยากรณ์ไม่มั่นคงและมีเสถียรภาพ ทำนายความไม่แน่นอนเป็นสิ่งหนึ่งที่มีการพึ่งพาที่แข็งแกร่งกับข้อมูลการฝึกอบรมจึงสมมติฐานที่มีรูปแบบการเรียนรู้ขึ้นอยู่ในช่วงที่มีขนาดใหญ่ระดับกับข้อมูลที่ได้รับ ตัวอย่างของการพยากรณ์ที่ไม่เสถียรต้นไม้ตัดสินใจ [34] และเครือข่ายประสาท (ดูหัวข้อ 2.1.4) ทำนายมั่นคงเป็นหนึ่งที่มีความแข็งแกร่งดังกล่าวไม่มีการพึ่งพาข้อมูลการฝึกอบรม; ตัวอย่างของการพยากรณ์ที่มีเสถียรภาพเป็น k-เพื่อนบ้านที่ใกล้ที่สุดแยกแยะและฟิสเชอร์เชิงเส้นจำแนก[34] เสถียรลักษณนามจัดแสดงสิ่งที่เป็นที่รู้จักกันเป็นความแปรปรวนสูงในขณะที่แยกแยะมั่นคงแสดงความแปรปรวนต่ำ (ดู [13] สำหรับข้อมูลเพิ่มเติม). มันเป็นสถานที่ที่จะนำเราไปเลือกแยกแยะไม่เสถียรเป็นจุดสำคัญของวิทยานิพนธ์. แปรปรวนเป็นเพียงครึ่งหนึ่งของ ที่รู้จักกันดีจากการสลายตัวอคติความแปรปรวนของการทำงานผิดพลาดซึ่งตอนนี้เราจะมาพูดถึง

ผลลัพธ์ (ไทย) 3:

ที่มั่นคงและเสถียร (
เราได้กล่าวว่ามาตรการข้อผิดพลาดมีบทบาทในการดูแลปัญหาการเรียนและ
การประเมินตัวแปรที่เราใช้งานด้วย ตอนนี้เราสร้างความแตกต่างระหว่างสองประเภทของ
พยากรณ์ ไม่มั่นคง และมั่นคง เป็นการทำนายไม่แน่นอนเป็นหนึ่งที่มีการพึ่งพาแรง
ข้อมูลการฝึกอบรม ดังนั้นสมมติฐานมีรูปแบบในการเรียนรู้ขึ้นอยู่กับกับขนาดใหญ่
องศาในสิ่งที่ข้อมูลที่ได้รับ ตัวอย่างของตัวแปรที่ไม่แน่นอนคือต้นไม้ [ 34 ]
การตัดสินใจ และโครงข่ายประสาทเทียม ( ดูมาตรา 2.1.4 ) ) คงเป็นหนึ่งที่ไม่แข็งแรงเช่น
พึ่งพาข้อมูลการฝึกอบรม ; ตัวอย่างตัวแปรคงที่จะละเพื่อนบ้าน
คำลักษณนามและฟิชเชอร์จำแนกเชิงเส้น [ 34 ] คำลักษณนามเสถียรแสดงสิ่งที่เรียกว่า
เป็นความแปรปรวนสูงในขณะที่มีความแปรปรวนต่ำแสดงคำ ( ดู [ 13 ] สำหรับข้อมูลเพิ่มเติม ) .
มันเป็นคุณสมบัติที่ทำให้เราเลือกคำเสถียรเป็นโฟกัสของวิทยานิพนธ์ .
ความแปรปรวนเป็นครึ่งหนึ่งของที่รู้จักกันดีอคติการแยกส่วนความแปรปรวนของข้อผิดพลาดการทำงาน
ซึ่งตอนนี้เราจะหารือ