Допущения алгоритмов машинного обучения
Производительность алгоритма машинного обучения для конкретного набора данных часто зависит от того, удовлетворяют ли функции набора данных допущениям этого алгоритма машинного обучения. Не у всех алгоритмов машинного обучения есть допущения, поэтому все алгоритмы отличаются друг от друга. Итак, в этой статье я познакомлю вас с допущениями алгоритмов машинного обучения.
Допущения алгоритмов машинного обучения
Если вы будете знать о допущениях некоторых часто используемых моделей машинного обучения, вы легко узнаете, как выбрать лучший алгоритм для решения конкретной задачи. Не все алгоритмы машинного обучения имеют допущения, поэтому все алгоритмы отличаются друг от друга. Итак, в следующем разделе я познакомлю вас с допущениями некоторых часто используемых алгоритмов машинного обучения.
Допущения линейной регрессии:
Ниже представлены предположения алгоритма линейной регрессии, которые вам следует знать:
- Между зависимыми и независимыми функциями есть линейная зависимость.
- Все функции обычно многовариантны.
- В наборе данных очень мало или совсем нет мультиколлинеарности.
- В наборе данных очень мало автокорреляции или она отсутствует вовсе.
- Также предполагается, что в наборе данных присутствует гомоскедастичность.
Допущения логистической регрессии:
Ниже представлены допущения алгоритма логистической регрессии, которые вам следует знать:
- Предполагается, что есть соответствующая структура выходной метки.
- Все наблюдения независимы друг от друга.
- В наборе данных мало или совсем нет мультиколлинеарности.
- Также предполагается, что набор данных состоит из очень большой выборки.
Допущения алгоритма наивного байесовского классификатора:
Алгоритм Наивного байесовского классификатора считается наивным из-за его предположения, которое подразумевает условную независимость причин. Проще говоря, наличие одной причины обычно не зависит от наличия других причин. Такое допущение может быть очень трудно сделать во многих случаях, когда вероятность одной особенности строго коррелирует с другой особенностью.
Допущения о машинах опорных векторов:
Ниже представлены предположения о машинах опорных векторов, о которых вам следует знать:
- Машины опорных векторов – это семейство алгоритмов, которые могут работать с линейными и нелинейными наборами данных.
- Наряду с нейронными сетями, виртуальные машины защиты, вероятно, являются лучшим выбором среди многих задач, для которых непросто найти хорошую гиперплоскость разделения.
- Опорные векторы являются самыми полезными точками данных, потому что они, скорее всего, будут неправильно классифицированы.
Резюме
В этой статье я познакомил вас с допущениями самых часто используемых моделей машинного обучения. Чем мощнее алгоритм машинного обучения, тем меньше в нем допущений. Надеюсь, вам понравилась эта статья о допущениях алгоритмов машинного обучения