Понимание смещения и дисперсии и их влияния на модели машинного обучения необходимо для разработки обобщающих моделей. Сегодня давайте поговорим об этих важных концепциях, не вдаваясь в технические подробности. Во-первых, мы попытаемся понять контролируемое обучение, прежде чем переходить к предвзятости и дисперсии. Поскольку мы знаем, что машинное обучение — это искусство заставить компьютеры учиться самостоятельно или распознавать шаблоны из данных самостоятельно, а не явно..

Машинное обучение можно разделить на несколько типов в зависимости от используемой информации: 1. Контролируемое обучение Данные содержат желаемый вывод/результат. {(x, y)}: у нас есть правильная метка для обучающих данных. 2. Обучение без учителя Данные не содержат желаемого вывода/результата. обучающие данные имеют форму {(x)}. мы не знаем, что является правильным выводом для данных. 3. Полуконтролируемое обучение некоторые данные включают желаемый..