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.

ผลลัพธ์ (ไทย) 1:

2.1.3 ทแยง และผลต่างเครื่องมือสำคัญทฤษฎีงานวิจัยการเรียนรู้เครื่องเป็นการเน่าของผลต่างความโน้มเอียง[45] การแยกส่วนประกอบดั้งเดิมโดย Geman et al [45] ใช้กำลังสองฟังก์ชันข้อผิดพลาดขาดทุน และอเมริกาว่า พลาด generalisation สามารถแบ่งเป็นแยกส่วนประกอบแต่ละ ด้วยการตีความของตนเอง อย่างไรก็ตามกล่าวถึงในหัวข้อ 2.1.1งานอื่นอาจเสนอมาตรการข้อผิดพลาดต่าง ๆ ไม่จำเป็นต้องใช้ขาดทุนกำลังสองหลายผู้เขียนได้นำเสนอ decompositions 0-1 ร่วง [14, 42, 68, 67], แต่ละของพวกเขาแสดงเองและสมมติฐาน ล่าสุด ที่ให้ของ Domingos [33] และ James [58]เทียบเท่า รวมคำนิยามสำหรับ symmetric3 ใด ๆสูญเสียฟังก์ชัน วิทยานิพนธ์นี้จะเกี่ยวข้องเท่านั้นมีการสูญเสียกำลังสองเน่า แม้ว่าในส่วน 3.1.2 และบทสรุปบทเจรจาขยายบางสามารถใช้ 0-1 ร่วงฟังก์ชัน

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 ใด ๆฟังก์ชั่นการสูญเสีย วิทยานิพนธ์ฉบับนี้จะเกี่ยวข้องเฉพาะกับการสลายตัวการสูญเสียกำลังสอง แต่ในส่วน 3.1.2 และข้อสรุปบทที่เราทำหารือเกี่ยวกับความเป็นไปได้บางส่วนขยายที่ใช้ฟังก์ชันการสูญเสีย0-1

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

วิทยานิพนธ์นี้เกี่ยวข้องเท่านั้น
กับการไม่มีการสูญเสีย แต่ในส่วนการศึกษาและข้อสรุป
บทที่เราจะหารือขยายเป็นไปได้บางใช้

0-1 การสูญเสียฟังก์ชัน