機械学習におけるバイアスの限界を知る - ダミー

機械学習はサンプル内のデータに大きく依存します。この部分は重要です。なぜなら、世界の視点を発見したいからです。すべての視点と同様に、間違っていたり、歪んだり、部分的なことがあります。また、学習プロセスが機能しているかどうかを確認するためのサンプルが必要な場合もあります。しかし、これらの側面は画像の一部分のみを形成する。

特定のレスポンスを推測するために機械学習アルゴリズムをデータに作用させると、効果的にギャンブルを行います。そのギャンブルは、学習に使用するサンプルだけではありません。もっとたくさんあります。現時点では、適切で偏りのないサンプル内のデータに自由にアクセスできると想像してください。データは問題ではありません。代わりに、学習と予測の方法に集中する必要があります。

<！最初に、アルゴリズムが応答を合理的に推測できることを賭けていると考える必要があります。あなたが前もって知っているものであっても、特定の答えを考え出すことは不可能であるため、常にこの仮定をすることはできません。

たとえば、人間の行動や行動を知ることで、人間の行動を完全に判断することはできません。多分ランダムな効果が、私たちの行動の生成過程（例えば、私たちの不合理な部分）に関わっているのかもしれないし、問題が自由意志になっているかもしれない（問題は哲学的/宗教的問題でもあり、 ）。その結果、あなたはいくつかのタイプの反応だけを推測することができます。また、人々の行動を予測しようとするときなど、あなたの目的に合った不確実性をある程度受け入れなければなりません。

<！第2に、あなたが持っている情報と予測したい回答との関係がある種の数式として表現できること、そしてあなたの機械学習アルゴリズムは実際にその式を推測することができます。応答の背後にある数式を推測するアルゴリズムの能力は、本質的にアルゴリズムの根底に埋め込まれています。

<！ - 3 - >

アルゴリズムによってはほとんどすべてを推測できます。他の人は実際には限られたオプションセットしか持っていません。アルゴリズムが推測できる可能な数学的定式化の範囲は、考えられる仮説の集合である。したがって、仮説は、すべてのパラメータで指定された単一のアルゴリズムであるため、単一の特定の定式化が可能です。

数学は素晴らしいです。実際の世界の多くを簡単な表記法を使って記述することができます。学習アルゴリズムの中には、数学的な定式化を表す特定の能力があるため、機械学習の核心です。線形回帰などのいくつかのアルゴリズムは、応答（例えば、家の価格）が一連の予測情報（市場情報、家の場所、不動産の表面など）にどのように関係しているかを表すために、等々）。いくつかの処方は非常に複雑で複雑であるため、紙で表現することは可能であるが、そうすることは現実的には難しい。デシジョンツリーなどの他の洗練されたアルゴリズムには明示的な数学的定式化はありませんが、非常に広範な定式化に簡単に近似できるように適応可能です。一例として、簡単かつ簡単に説明された処方を考える。線形回帰は、応答とすべての予測子によって与えられる座標空間内の単なる1行です。最も簡単な例では、式y =β999×999 999 +β999の式を有する応答yと単一の予測子xを有することができる。 0 999単一のフィーチャによって予測されるレスポンスの単純な状況では、そのようなモデルはデータが線として整列するときに完璧です。しかし、そうではなくカーブのような形をしているとどうなりますか？状況を表現するには、次の二次元表現を観察するだけです。

曲線関数をマップするための線形モデルの苦労例。

点が線または雲に似ている場合、結果が直線であると考えているときにエラーが発生します。したがって、先の処方によって提供されるマッピングは、幾分か不正確である。しかし、いくつかの点がマップされた行の上にあり、他の点がその下にあるため、エラーは系統的にはなくむしろランダムに表示されます。湾曲した形の点群の状況は異なっています。なぜなら今回は時には線が正確であるが、他の時は体系的に間違っているからです。ポイントは常に線の上にあります。時々彼らはそれの下にあります。

レスポンスのマッピングが単純であるため、アルゴリズムは、データの背後にある実際のルールを系統的に過大評価または過小評価し、そのバイアスを表します。偏りは、複雑な数学的形式を表現できない単純なアルゴリズムの特徴です。