2.1.3 Bias and VarianceThe most imp

2.1.3 Bias and Variance
The most important theoretical tool in machine learning research is the bias-variance decomposition [45]. The original decomposition by Geman et al [45] applies to quadratic
loss error functions, and states that the generalisation error can be broken into separate
components each with their own interpretation. However as mentioned in section 2.1.1,
different tasks may require different error measures, not necessarily using quadratic loss.
Several authors have proposed decompositions for 0-1 loss [14, 42, 68, 67], each with their
own shortcomings and assumptions. Most recently Domingos [33] and James [58] provide
equivalent, unified definitions for any symmetric3 loss function. This thesis is only concerned with the quadratic loss decomposition, though in section 3.1.2 and the Conclusions
chapter we do discuss certain possible extensions using the 0-1 loss function.
The bias-variance decomposition for quadratic loss states that the generalisation error of
an estimator can be broken down into two components: bias and variance. These two usually
work in opposition to each other: attempts to reduce the bias component will cause an
increase in variance, and vice versa. Techniques in the machine learning literature are often
evaluated on how well they can optimize the trade-off between these two components

ผลลัพธ์ (ไทย) 2:

2.1.3
อคติและความแปรปรวนเครื่องมือทางทฤษฎีที่สำคัญที่สุดในการวิจัยการเรียนรู้เครื่องสลายตัวเป็นอคติแปรปรวน[45] การสลายตัวต้นฉบับโดย Geman et al, [45] นำไปใช้กับสมการกำลังสองฟังก์ชั่นการสูญเสียข้อผิดพลาดและระบุว่าข้อผิดพลาดทั่วไปสามารถแบ่งออกเป็นแยกต่างหากส่วนประกอบแต่ละคนมีการตีความของตัวเอง อย่างไรก็ตามเป็นที่กล่าวถึงในส่วน 2.1.1, งานที่แตกต่างกันอาจต้องใช้มาตรการที่แตกต่างกันข้อผิดพลาดที่ไม่จำเป็นต้องใช้การสูญเสียกำลังสอง. ผู้เขียนหลายคนได้เสนอสลายตัวสำหรับการสูญเสีย 0-1 [14, 42, 68, 67] ของพวกเขาแต่ละคนมีข้อบกพร่องและข้อสมมติฐานของตัวเอง. เมื่อเร็ว ๆ นี้ Domingos [33] และเจมส์ [58] ให้เทียบเท่านิยามแบบครบวงจรสำหรับsymmetric3 ฟังก์ชั่นการสูญเสียใด ๆ วิทยานิพนธ์ฉบับนี้จะเกี่ยวข้องเฉพาะกับการสลายตัวการสูญเสียกำลังสอง แต่ในส่วน 3.1.2 และข้อสรุปบทที่เราจะหารือเกี่ยวกับความเป็นไปได้บางส่วนขยายที่ใช้ฟังก์ชั่นการสูญเสีย0-1. การสลายตัวอคติแปรปรวนสำหรับการสูญเสียกำลังสองระบุว่าข้อผิดพลาดทั่วไปของประมาณการสามารถแบ่งออกเป็นสองส่วน: อคติและความแปรปรวน ทั้งสองมักจะทำงานในการต่อสู้กับแต่ละอื่น ๆ : ความพยายามที่จะลดอคติองค์ประกอบที่จะทำให้เกิดการการเพิ่มขึ้นของความแปรปรวนและในทางกลับกัน เทคนิคการเรียนรู้ในวรรณคดีเครื่องมักจะประเมินวิธีการที่ดีที่พวกเขาสามารถเพิ่มประสิทธิภาพการค้าระหว่างทั้งสองส่วน

ผลลัพธ์ (ไทย) 3:

อคติและความแปรปรวน
เครื่องมือทางทฤษฎีที่สำคัญที่สุดในการศึกษาวิจัยเครื่องเป็นอคติการแยกส่วนความแปรปรวน [ 45 ] เดิมการ geman et al [ 45 ] ใช้กับฟังก์ชันข้อผิดพลาดการสูญเสียกำลังสอง
และระบุว่า generalisation ข้อผิดพลาดสามารถแตกเป็นชิ้นส่วนแยก
แต่ละกับการตีความของตนเอง อย่างไรก็ตาม ตามที่ระบุไว้ในมาตราตัว
,งานที่แตกต่างกันอาจต้องใช้มาตรการผิดพลาดต่าง ๆไม่จำเป็นต้องใช้ขาดทุนกำลังสอง .
หลายผู้เขียนได้เสนอ decompositions สำหรับ 0-1 การสูญเสีย [ 14 , 42 , 68 , 67 ] แต่ละคนมีข้อบกพร่องของพวกเขา
เองและข้อสมมติ เมื่อเร็วๆ นี้ โดมินโกส์ [ 33 ] และเจมส์ [ 58 ] ให้
เทียบเท่า รวมนิยามฟังก์ชันการสูญเสียใด ๆ symmetric3 .วิทยานิพนธ์ฉบับนี้เป็นเพียงที่เกี่ยวข้องกับการไม่มีการสูญเสีย แต่ในส่วนการศึกษาและข้อสรุป
บทที่เราจะหารือขยายเป็นไปได้บางใช้ 0-1 การสูญเสียฟังก์ชัน ความอคติ
การสลายตัวสำหรับรัฐสูญเสียกำลังสองที่ generalisation ข้อผิดพลาดของ
การประเมินสามารถแบ่งออกเป็นสองส่วน อคติและความแปรปรวน ทั้งสองมักจะ
ทำงานในความขัดแย้งกับแต่ละอื่น ๆ : ความพยายามที่จะลดอคติเป็นส่วนประกอบจะทำให้
เพิ่มความแปรปรวน และในทางกลับกัน เทคนิคในการเรียนรู้เครื่องวรรณคดีมักจะ
การประเมินเกี่ยวกับวิธีการที่พวกเขาสามารถเพิ่มประสิทธิภาพการแลกเปลี่ยนระหว่างสององค์ประกอบ