Я прочитал предыдущие ответы, и комментарий Нила Слейтера к посту Эмре, снова скопированный ниже, поражает гвоздь. «Прыжки в измерениях» - это термин, созданный доктором Хинтоном для пионера машинного обучения в контексте точки зрения. Цитата доктора Хинтона: «Итак, обычно представьте, что входные размеры соответствуют пикселям, и, если объект движется в мире, а вы не двигаете глазами, чтобы следовать за ним, информация об объекте будет появляться в разных пикселях». Возраст и вес являются входным измерением, которое не легко спутать. Д-р Хинтон использовал эту, очевидно, маловероятную ситуацию со скачкообразным изменением размера и веса пациентов, чтобы обозначить, что мы, безусловно, сможем обнаружить и исправить любые ошибки между этими типами данных (трудно не заметить, что большинство взрослых моложе 100 лет и старше). чем 100 фунтов). Вероятная проблема скачкообразного изменения размеров, к которой обращался доктор Хинтон, заключается в том, что пиксели могут быть смещены, потому что у нас другая точка обзора (например, объект мог сместиться или мы смотрим на него под другим углом). Линейные нейронные сети не смогут обнаружить это, в то время как сверточные нейронные сети по своему дизайну это сделают.
«Предполагается, что в примере возраста выделен набор данных, который не имеет скачкообразного изменения размеров. Возраст и вес не« прыгают »и не меняют значения случайным образом между примерами - они не являются взаимозаменяемыми, и пример показывает, насколько странным это будет (и как Трудно было бы сделать простые задачи, такие как линейная регрессия.) Значения пикселей на изображениях (и аналогичные данные во многих задачах по обработке сигналов) взаимозаменяемы или легко перемещаются из-за характера проблемы - Нил Слэйтер, 29 мая '16 в 18:01 "