Индуктивное смещение (также известное как смещение при обучении ) алгоритма обучения - это набор допущений, которые учащийся использует для прогнозирования выходных данных заданных входных данных, с которыми он не сталкивался.
В машинном обучении каждый стремится создать алгоритмы, которые могут научиться предсказывать определенный целевой результат. Для этого в алгоритме обучения представлены некоторые обучающие примеры, демонстрирующие предполагаемое соотношение входных и выходных значений. Затем предполагается, что учащийся приблизит правильный результат, даже для примеров, которые не были показаны во время обучения. Без каких-либо дополнительных предположений эта проблема не может быть решена, поскольку невидимые ситуации могут иметь произвольное выходное значение. Необходимые предположения о природе целевой функции включены во фразу "индуктивное смещение".
Классическим примером индуктивного смещения является бритва Оккама, предполагающая, что простейшая последовательная гипотеза о целевая функция на самом деле лучшая. Здесь согласованность означает, что гипотеза обучаемого дает правильные результаты для всех примеров, которые были даны алгоритму.
Подходы к более формальному определению индуктивного смещения основаны на математической логике. Здесь индуктивное смещение - это логическая формула, которая вместе с данными обучения логически влечет за собой гипотезу, выдвинутую учащимся. Однако этот строгий формализм не работает во многих практических случаях, когда индуктивное смещение может быть дано только как грубое описание (например, в случае искусственных нейронных сетей ) или вообще не может быть дано.
Ниже приводится список распространенных индуктивных смещений в алгоритмах машинного обучения..
Хотя большинство алгоритмов обучения имеют статическое смещение, некоторые алгоритмы предназначены для смещения их смещения по мере того, как они приобретают больше данных. Это не позволяет избежать смещения, поскольку сам процесс смещения смещения должен иметь смещение.
.