<small id='UphruZKAo2'></small> <noframes id='yNui6j'>

  • <tfoot id='spjFSH0kL'></tfoot>

      <legend id='Q7waBUR1'><style id='CQOD'><dir id='zFOedtDCMm'><q id='h3vmiArt'></q></dir></style></legend>
      <i id='zoui'><tr id='Gwpg5'><dt id='qbvC8uoKtS'><q id='nuC41xfKA'><span id='1JlN7'><b id='cth9Jvg'><form id='J5RnTD'><ins id='YzsGSeij'></ins><ul id='F3A8m4Hzyo'></ul><sub id='5gAT4KHncC'></sub></form><legend id='3HEclIWQDN'></legend><bdo id='vsZWVUXoRe'><pre id='Srv2'><center id='hjIlK'></center></pre></bdo></b><th id='gwc9Y'></th></span></q></dt></tr></i><div id='cZahdv'><tfoot id='kltn'></tfoot><dl id='o9D6KwU27'><fieldset id='O08yprB4'></fieldset></dl></div>

          <bdo id='tvuLm'></bdo><ul id='zK7loku'></ul>

          1. <li id='Ovgyloa'></li>
            登陆

            1号平台app-5个机器学习悖论改动你对数据的观点

            admin 2019-05-18 132人围观 ,发现0个评论

            晓查 编译自 Medium

            量子位 报导 | 大众号 QbitAI


            路途越多越拥堵、越智能的算法需求的计算力越少。这些反知识的机器学习悖论你知道是怎样回事吗?

            悖论是在哲学和数学中常见的一种问题,它是依据假定条件得出了两种互相矛盾的成果。AI便是重构人类的认知办法,所以机器学习也会发生一些悖论。

            最近,数据科学家Jesus Rodriguez总结了机器学习处理方案中最闻名的5个悖论,或许能协助你更深刻地了解AI中的数据,防止在处理数据的时分呈现一些初级过错。



            Simpson悖论

            这个悖论是以英国数学家Edward H. Simpson的姓名命名的。

            Simpson悖论是指在分类计算时,某组数据具有优势,而把一切数据组合起来的时分,这种优势却消失了。

            1973年,伯克利大学由于女人在入学时存在性别差异而被申述。有人查询了伯克利大学研讨生院的选取率发现:各学院女人入学率均高于男性,可是全体入学率反而低于男性。这怎样或许?

            在这个详细的比方中,妇女很多请求入学率低的校园:像法令和医学。这些校园选取的学生不到10%。因而,承受的女人份额十分低。另一方面,男性往往更多地请求入学率高的校园:与工程学相同,入学率约为50%。因而,承受的男性份额十分高。




            在这个详细的事例中,由于女人很多请求入学率低的学院,比办法令和医学,这些学院的选取率乃至不到10%;而男性往往更多地请求入学率高的学院,比方工程,选取率高达50%。因而,男性总的选取率高于女人。

            用机器学习的术语来说,便是简略平均值不考虑整个数据集内特定类别的关联性。

            许多无监督学习算法揣度出不同练习数据1号平台app-5个机器学习悖论改动你对数据的观点集的形式,当这些数据集组合起来时会发生矛盾。

            Braess悖论

            这个悖论是德国数学家Dietrich Braess在1968年提出的。他以拥堵的交通网络为例:

            在路途网络中添加一条路途或许会阻碍交通,而封闭一些路途或许会缩短出行时刻。



            Braess的推理是依据这样一个实际:在纳什均衡博弈中,司机没有动力改动他们的路途。依据博弈论,假如其他人坚持相同的战略,那么这个人重新战略中将不会有任何收成。

            在上图中,从A点到D点有A→B→D和A→C→D两条路可走,当注册近道B→C后,一切车都走近道,导致拥堵。

            关于司机来说,战略便是一条路途。就Braess悖论而言,尽管全体体现有所下降,但司机们将切换路途,直到到达纳什均衡。因而,与直觉相反,封闭某些路途或许会缓解拥堵。

            Braess悖论在自主的多智能体强化学习场景中十分重要,在这种场景中,模型需求依据不知道环境中的特定决议计划来奖赏智能体。

            Moravec悖论

            上世纪80年代,卡内基梅隆大学移动机器人试验室主任Hans Moravec,对AI模型获取知识的办法提出了一个反直觉的出题:

            高档推理比初级无意识认知需求更少的计算力,它与“计算力越强则体系越智能”的直观概念各走各路。

            一种简略的解说Moravec悖论的办法是:

            AI模型能够完结十分杂乱的计算和数据推理使命,这些使命对人类来说是不或许的。可是,许多对人类来说微乎其微的使命,比方抓取物体,需求杂乱的AI模型。



            正如Moravec所说的,“让计算机在智力测验或玩跳棋时体现出成人水平的体现相对简略,而在感知和移动性方面,让它们具有一岁孩子的done才能却很难,乃至不或许做到。”

            从机器学习的视点来看,Moravec悖论在搬迁学习方面十分适用。搬迁学习的意图是在不同的机器学习模型中推行知识。此外,Moravec悖论通知咱们,机器智能的一些最佳运用将是人与算法结合。

            准确性悖论

            准确性(Accuracy)悖论与机器学习直接相关。

            与直觉相反,准确性并不总是对猜测模型有用性进行分类的杰出目标。

            怎样解说这样一个杂乱的表述呢?准确性悖论源于不平衡的练习数据集。

            例如,在A疾病的发病率较高的数据会集,发现了99%的病例,那么猜测发现A疾病的准确率为99%是彻底具有误导性的。

            了解准确度悖论的一个更简略的办法是在机器学习模型中找到准确率(precision)和召回率(recall)之间的平衡。

            在机器学习算法中, 准确率界说为你对正确的猜测中哪一部分是有用的,它=真阳性/(真阳性+假阳性)。召回率目标衡量你实际上猜测正确的概率,它=真阳性/(真阳性+假阴性)。



            在许多机器学习模型中,准确率和召回率之间的平衡能够获得更好的准确度。

            例如,在用于诈骗检测的算法的情况下,召回率是更重要的目标。即便存在一些误报也要尽或许捉住每一种或许的诈骗行为。

            另一方面,假如为心情剖析创立算法,而且需求的只是在推文中指出的高档情感概念,那么准确度更重要。

            哥德尔悖论

            哥德尔悖论将机器1号平台app-5个机器学习悖论改动你对数据的观点学习模型的才能与哥德尔不齐备定理联系起来。1931年,数学家哥德尔宣布了他的两个不齐备性定理:

            运用规范数学言语无法证明某些出题是真是假。

            也便是说,数学是一种不足以了解国际某些方面的言语。这些定理被称为哥德尔的接连统假定。



            在最近的一项工作中,以色列理工学院的AI研讨人员将哥德尔接连统假定与机器学习模型的可学习性联系起来。

            研讨人员证明,假如接连统假定是真的,一个小样本就足以进行揣度。可是假如它是假的,没有一个有限样本是满足做揣度的。

            经过这种办法,他们标明可学习性的问题相当于接连统假定问题。

            简略1号平台app-5个机器学习悖论改动你对数据的观点来说,研讨中的数学证明标明,AI问题遭到哥德尔接连统假定的影响,这意味着AI或许无法处理许多问题。

            尽管这个悖论在今日对实际国际中的AI问题影响不大,但关1号平台app-5个机器学习悖论改动你对数据的观点于AI在将来的开展是至关重要的。

            总结

            悖论在机器学习问题中无处不在。尽管算法没有知识的概念,它们或许不受计算悖论的影响。

            可是,大多数机器学习问题需求人工剖析和干涉,而且依据人类搜集和符号的数据集,咱们还将在很长一段时刻内生活在一个悖论的国际中。

            原文链接:

            https://towardsdatascience.com/five-machine-learning-paradoxes-that-will-change-the-way-you-think-about-data-e100be5620d7

            诚挚招聘

            量子位正在招募修改/记者,工作地点在北京中关村。等待有才华、有热心的同学参加咱们!相关细节,请在量子位大众号(QbitAI)对话界面,回复“招聘”两个字。

            量子位 QbitAI 头条号签约作者

            'ᴗ' 追寻AI技能和产品新动态

            请关注微信公众号
            微信二维码
            不容错过
            Powered By Z-BlogPHP