Der er ingen enkelt algoritme, der er bedst egnet til ethvert tænkeligt scenarie og datasæt. Det er hovedtanken bag ‘No free lunch’-teoremet.
af IDA Learning
I machine learning er der et teorem kaldet ‘No free lunch’. Ideen er, at næsten alle maskinindlæringsalgoritmer laver nogle antagelser om forholdet mellem prediktoren og målvariablerne og dermed introducerer bias i modellen.
Det er disse antagelser, der gør, at nogle algoritmer passer bedre til visse datasæt end andre - og omvendt at der er mange datasæt, en given algoritme ikke vil være i stand til at modellere optimalt.
Hvor effektiv en model er, afhænger direkte af, hvor godt modellens antagelser passer til dine data.
Du skal med andre ord bruge din viden om netop dine data og den verden, de lever i, til at vælge den optimale maskinelæringsalgoritme . og så i øvrigt afveje vigtigheden af hastighed, nøjagtighed og kompleksitet for dit problem.
Machine learning er i disse år inde i en kraftig udvikling og der findes efterhånden et stort antal metoder og algoritmer inden for området.
Disse kan overordnet deles op i tre grupper:
Hvilke opgaver egner sig til machine learning? Lær at forberede dine data og træn en klassifikations-model på IDAs introduktionskursus til machine learning.