Определение модели в машинном обучении

Это определение не совсем применимо, так как мы не всегда предполагаем базовое распределение. Так что же такое модель на самом деле? Может ли GBM с указанными гиперпараметрами считаться моделью? Является ли модель набором правил?

Недавно меня заинтересовал тот же вопрос, и я понял, что в машинном обучении нет единого определения «модели». Это сильно зависит от источников вы CONSULTING, которые могут быть в документации по конкретной программе, сленга, принятой сообществом пользователей, или определения, используемые в опубликованных научных работах, которые могут варьироваться в широких пределах от журнала в журнал. Кроме того, я должен был научиться иметь в виду, что такие документы написаны не только специалистами в области машинного обучения, но специалистами в других областях, которые имеют потребность в применении методов машинного обучения (например, изображений, различных областях медицины и т.д.) , Многие из них явно не определить «модель», термин, который часто используется слабо. Вот только пара различных определений «модели» I '

• Статистические модели, особенно статистика, связанная с распределением вероятностей.

• Данные регрессии и связанная статистика.

• Математические модели, упомянутый Нил Слейтер выше.

• Модели данных, используемые в машинном обучении, такие как используемые столбцы, их типы данных, источники данных и другие метаданные. Это особенно сложно, потому что в этом определении нет ничего математического, в отличие от первых трех, которые я перечислил. В качестве примера см. Всю документацию по SQL Server для «моделей майнинга», которые выполняют двойную функцию в целях машинного обучения.

• Иногда все приведенные выше определения расширяются и включают структуры машинного обучения, построенные на основе уравнений и метаданных, таких как спецификации нейронных сетей. В других случаях они считаются отдельными объектами.

Все вышесказанное иногда смешаны и подобраны вместе, в зависимости от источника. Я уверен, что есть и другие определения «модели» Я оставил от этого списка, которые будут осложнять дело еще дальше. Чтобы справиться с этой двусмысленностью, я пытаюсь научиться предсказывать намерения автора всякий раз, когда они используют термин «модель». Иногда это легко определить на основе контекста или области, в которой работает автор, но в других случаях мне нужно глубоко прочитать статью или документацию, прежде чем понять это. Я хотел бы быть более определенным в этом, но это действительно нечеткий термин; на это никогда не будет простого универсального ответа. Надеюсь, это поможет.

Мне нравится определение машинного обучения, данное Томом Митчеллом .

Компьютерная программа называется извлечь из опыта Е относительно некоторого класса задач Т и производительности меры P , если его производительность при задач в Т, как измерено с помощью Р, улучшается с опытом E.

Итак, учитывая это определение, я должен сказать, что модель - это приобретенный опыт после выполнения некоторого класса T.

Из статьи о машинном обучении Amazon

Процесс обучения модели ML включает предоставление алгоритму ML (то есть алгоритму обучения) обучающих данных для изучения. The term ML model refers to the model artifact that is created by the training process.

Скажем так, модель - это упрощение какой-то вещи или процесса. Например, форма Земли на самом деле не сфера, но мы можем рассматривать ее как единое целое, если проектируем глобус. Точно так же, предполагая, что вселенная является детерминированной, существует некоторый естественный процесс, который определяет, будет ли покупатель покупать продукт на веб-сайте. Мы могли бы создать нечто, приближенное к этому процессу, которое мы могли бы дать некоторую информацию о клиенте и сказать нам, если он думает, что клиент купит продукт.

«Модель машинного обучения» - это модель, созданная системой машинного обучения.

(Извиняюсь за то, что это не точный ответ, но я надеюсь, что это все еще полезно.)

В парадигме машинного обучения модель относится к математическому выражению параметров модели вместе с вводными заполнителями для каждого прогноза, класса и действия для категорий регрессии, классификации и подкрепления соответственно.

Это выражение встроено в один нейрон в качестве модели.

Для однослойного персептрона и модели глубокого обучения нужно извлечь эту модель, осторожно пройдя нейроны и слои, чтобы собрать и сшить функцию активации упорядоченным образом.

В машинном обучении модель является центром тяжести, и все вращается вокруг модели. Хотя у разных людей разные определения модели. Но, по моему мнению, здесь мы можем лучше всего определить, как определить модель «модель в машинном обучении - это гипотеза, которая пытается соответствовать данным и учиться прогнозировать невидимые данные».