23.5 Uncertainty-based Active Learn

23.5 Uncertainty-based Active Learning

Uncertainty-based AL tries to obtain training points so as to reduce uncertainty in
some aspect, such as concerning output values [28], the model’s parameters [23], a
decision boundary [45], etc. A possible drawback to this approach is that reducing
uncertainty may not always be effective. If a system becomes certain about user
ratings, it does not necessarily mean that it will be accurate, since it could simply be
certain about the wrong thing (i.e., if the algorithm is wrong, reducing uncertainty
will not help). As an example, if the user has so far rated items positively, a system
may mistakenly be certain that a user likes all of the items, which is likely incorrect

ผลลัพธ์ (ไทย) 1:

23.5 ความไม่แน่นอนใช้งานเรียนรู้AL ตามความไม่แน่นอนพยายามฝึกจุดเพื่อลดความไม่แน่นอนในการได้รับบางด้าน เช่นเกี่ยวกับผลผลิตค่า [28], พารามิเตอร์ของแบบจำลอง [23], การขอบเขตการตัดสินใจ [45] เป็นต้น คืนเงินได้ให้วิธีการนี้เป็นการลดความไม่แน่นอนอาจจะไม่มีประสิทธิภาพ ถ้าระบบบางอย่างเกี่ยวกับผู้ใช้จัดอันดับ มันหมายความ ว่า มันจะถูกต้อง เนื่องจากมันอาจเป็นเพียงบางอย่างเกี่ยวกับสิ่งผิด (เช่น ถ้าอัลกอริทึมไม่ถูกต้อง การลดความไม่แน่นอนจะไม่ได้) เป็นตัวอย่าง ถ้าผู้ใช้มีคะแนนจน สินค้าบวก ระบบอาจแสดงให้แน่ใจว่า ผู้ใช้ชอบรายการ ที่เป็นไปได้ทั้งหมดไม่ถูกต้อง

ผลลัพธ์ (ไทย) 2:

23.5 การเรียนรู้ความไม่แน่นอนตามที่ใช้งานไม่แน่นอนขึ้นอยู่กับอัลพยายามที่จะได้รับคะแนนการฝึกอบรมเพื่อลดความไม่แน่นอนในแง่มุมบางอย่างเช่นเกี่ยวกับค่าการส่งออก [28] พารามิเตอร์ของรูปแบบ [23], ขอบเขตการตัดสินใจ [45] และอื่น ๆ อุปสรรคไปได้ที่จะวิธีนี้คือการลดความไม่แน่นอนอาจไม่เป็นที่มีประสิทธิภาพ หากระบบเป็นบางอย่างเกี่ยวกับผู้ใช้ให้คะแนนก็ไม่ได้หมายความว่ามันจะถูกต้องเพราะมันก็อาจจะเป็นบางอย่างเกี่ยวกับสิ่งที่ผิด (เช่นถ้าขั้นตอนวิธีการที่ไม่ถูกต้องจะช่วยลดความไม่แน่นอนจะไม่ช่วย) ตัวอย่างเช่นหากผู้ใช้มีรายการจัดอันดับเพื่อให้ห่างไกลในเชิงบวกของระบบผิดพลาดอาจจะเป็นบางอย่างที่ผู้ใช้ชอบทั้งหมดของรายการซึ่งเป็นแนวโน้มที่ไม่ถูกต้อง

ผลลัพธ์ (ไทย) 3:

23.5 ความไม่แน่นอนตามงานเรียน

ความไม่แน่นอนตามล พยายามที่จะได้รับการฝึกอบรมที่จุดเพื่อลดความไม่แน่นอนใน
บางด้าน เช่น ด้านผลผลิต ค่า [ 28 ] , รูปแบบของพารามิเตอร์ [ 23 ] , [ 45 ]
ขอบเขตการตัดสินใจ ฯลฯ เป็นไปได้ วิธีการนี้คือการลดอุปสรรค์
ความไม่แน่นอนอาจจะไม่มักจะได้ผล ถ้าระบบมันแน่นอนเกี่ยวกับการจัดอันดับของผู้ใช้
,มันไม่ได้หมายความว่าจะถูกต้องเพราะมันอาจเป็นได้
บางอย่างเกี่ยวกับสิ่งที่ผิด ( เช่น ถ้าผิดวิธี ลดความไม่แน่นอน
จะไม่ช่วย ) ตัวอย่าง ถ้าผู้ใช้มีเพื่อให้ห่างไกลในรายการบวก , ระบบ
อาจผิดพลาดบางอย่างที่ผู้ใช้ชอบทั้งหมดของรายการที่อาจจะไม่ถูกต้อง