Что такое «прогностический» элемент машинного обучения

Question

Я надеюсь, что кто-то с гораздо большим знанием машинного обучения может помочь мне здесь. Я читал примеры регрессии и классификации, и я всегда возвращаюсь к вопросу: «Какая разница между тем, что делает этот алгоритм, и что будет делать стандартный статистический анализ».

В частности, ни один из примеров, которые я прочитал, по-видимому, не обсуждает прогностический элемент. Например, при рассмотрении линейной регрессии статьи обычно объясняют концепцию создания «наилучшего соответствия» - комбинации линейного уравнения, а затем итерации функции стоимости до тех пор, пока она не достигнет минимума. Разумеется, во многих случаях акцент делается на «наборе учебных данных». Нет проблем ... но обычно это заканчивается. В этот момент я не вижу разницы между указанным выше и стандартным способом проведения статистического анализа в наборе данных, который предположительно имел бы линейную зависимость. Предположительно, будущие значения здесь «предсказаны» из уравнения, которое было получено, когда функция стоимости сходилась на минимуме - опять же, похоже, здесь не так много «обучения», как это именно то, что было бы сделано в обычном случае ,

После долгого вдумчивого введения ... то, что я пытаюсь спросить, как алгоритм узнал из исходных данных обучения? и как этот набор учебных пособий помогает с будущими наборами данных? (опять же, это то, где я немного теряюсь - мне кажется, что вы бы дали ему новый набор данных и выполнили ту же задачу минимизации функции затрат, однако на этот раз у вас есть лучший «исходный» момент, но все ваши знания действительно исходят из того, что вы уже «знали» о наборе данных, то есть о том, что вы принимали линейную зависимость).

Надеюсь, это имеет смысл - это, безусловно, недостаток понимания, но я надеюсь, что кто-то может засунуть меня в правильном направлении.

Спасибо!

Answer 1

Вы правы, нет никакой разницы. Линейная регрессия - это чисто статистический метод, и «подгон», вероятно, будет более точным, чем «обучение» в этом случае. Но опять же, это, как правило, только первая лекция по этому вопросу. Там много подходов, где различия намного яснее, например SVM. Существуют также подходы, в которых «учебный» аспект гораздо яснее, например, использование обучения повторному введению в играх, где вы действительно можете увидеть, как ваша система улучшает свою работу с опытом.

В любом случае, основной предмет машинного обучения - это обучение на примерах. Вам предоставляется список из 100 пациентов, а также артериальное давление, возраст, уровень холестерина и т. Д., И для каждого из них вам сообщают, есть ли у них сердечная болезнь или нет. Затем вам дают пациента, которого вы раньше не видели. У него сердечная болезнь? Большинство людей называют это предсказание. Вы, возможно, предпочтете назвать это подходящим, или что-нибудь еще. Но дело в том, что он работает нормально.

Тем не менее, предмет остается тесно привязанным к статистике, и действительно, вам нужно сделать некоторые предположения (в большей или меньшей степени, в зависимости от алгоритма) относительно базовой функции. Это не идеально, но во многих случаях это лучшее, что у нас есть, поэтому я бы сказал, что это стоит изучать. Если вы начинаете сейчас, есть отличный онлайн-курс, «Статистическое обучение» Стэнфорда, в котором речь идет о предмете с вашей точки зрения.