当不具备归纳偏好时,模型给出的判断可能是随机的,这样的结果显然没有意义。
任何一个有效的机器学习算法必有其归纳偏好。
奥卡姆剃刀:若有多个假设和观察一致,则选最简单的一个。
只有在特定情况下,学习算法才有优劣之分。
符号学习:如决策树,能产生明确的概念表示。
连接学习:如神经网络(包括深度学习)产生的是“黑箱”模型。
统计学习:包括“支持向量机”和“核方法”。
当不具备归纳偏好时,模型给出的判断可能是随机的,这样的结果显然没有意义。
任何一个有效的机器学习算法必有其归纳偏好。
奥卡姆剃刀:若有多个假设和观察一致,则选最简单的一个。
只有在特定情况下,学习算法才有优劣之分。
符号学习:如决策树,能产生明确的概念表示。
连接学习:如神经网络(包括深度学习)产生的是“黑箱”模型。
统计学习:包括“支持向量机”和“核方法”。