Definizione di un modello nell'apprendimento automatico

Questa definizione non si applica del tutto poiché non sempre assumiamo una distribuzione sottostante. Cos'è davvero un modello? Un GBM con iperparametri specificati può essere considerato un modello? Un modello è una raccolta di regole?

Di recente ero interessato alla stessa domanda e mi sono reso conto che non esiste un'unica definizione di "modello" nell'apprendimento automatico. Dipende fortemente dalle fonti che stai consultando, che possono essere la documentazione per un determinato programma software, il gergo adottato dalla sua comunità di utenti o le definizioni utilizzate nei documenti accademici pubblicati, che possono variare ampiamente da un giornale all'altro. Inoltre, ho dovuto imparare a tenere presente che tali documenti sono scritti non solo da specialisti dell'apprendimento automatico, ma da esperti di altre discipline che hanno bisogno di applicare tecniche di apprendimento automatico (come imaging, vari campi medici, ecc.) . Molti di essi non definiscono esplicitamente il termine "modello", che viene spesso utilizzato in modo impreciso. Ecco solo un paio di diverse definizioni di "modello" I '

• Modelli statistici, in particolare le statistiche relative alle distribuzioni di probabilità.

• Dati di regressione e statistiche correlate.

• Modelli matematici menzionati sopra da Neil Slater.

• I modelli di dati utilizzati nell'apprendimento automatico, come le colonne interessate, i loro tipi di dati, le origini dei dati e altri metadati. Ciò è particolarmente complicato perché non c'è assolutamente nulla di matematico in questa definizione, a differenza dei primi tre che ho elencato. Per un esempio, vedere tutta la documentazione per i "modelli di data mining" di SQL Server che servono a doppio scopo a fini di apprendimento automatico.

• A volte tutte le definizioni sopra sono espanse per includere strutture di apprendimento automatico costruite sopra le equazioni e i metadati, come le specifiche delle reti neurali. In altri casi, questi sono considerati entità separate.

Tutto quanto sopra è talvolta mescolato e abbinato insieme, a seconda della fonte. Sono sicuro che ci sono altre definizioni di "modello" che ho lasciato fuori da questo elenco, il che complicherà ulteriormente la questione. Per far fronte a questa ambiguità, sto cercando di addestrarmi a divinare le intenzioni dell'autore ogni volta che usano il termine "modello". A volte è facile determinare in base al contesto o al campo in cui lavora l'autore, ma altre volte devo leggere in profondità un articolo o una documentazione prima di capirlo. Vorrei poter essere più definitivo al riguardo, ma è davvero un termine naturalmente sfocato; non ci sarà mai una risposta semplice e adatta a tutti. Spero che aiuti.

Mi piace la definizione di Machine Learning fornita da Tom Mitchell .

Si dice che un programma per computer apprenda dall'esperienza E rispetto ad alcune classi di attività T e che misurino le prestazioni P se le sue prestazioni nelle attività in T, misurate da P, migliorano con l'esperienza E.

Quindi, data questa definizione, dovrei dire che un modello è l'esperienza acquisita dopo aver fatto un po 'di classe T.

Dall'articolo su Amazon Machine Learning

Il processo di formazione di un modello ML prevede la fornitura di un algoritmo ML (ovvero l'algoritmo di apprendimento) con dati di training da cui apprendere. The term ML model refers to the model artifact that is created by the training process.

Un modello, parlando in senso lato, è una semplificazione di qualcosa o processo. Ad esempio, la forma della Terra non è in realtà una sfera, ma potremmo trattarla come una se stiamo progettando un globo. Allo stesso modo, supponendo che l'universo sia deterministico, esiste un processo naturale che determina se un cliente acquisterà un prodotto su un sito Web. Potremmo costruire qualcosa che si avvicini a quel processo, che potremmo fornire alcune informazioni su un cliente e che ci dice se pensa che il cliente acquisterà un prodotto.

Un "modello di apprendimento automatico", quindi, è un modello costruito da un sistema di apprendimento automatico.

(Mi scuso per non essere una risposta rigorosa, ma spero che sia ancora utile.)

Nel paradigma dell'apprendimento automatico, il modello si riferisce a un'espressione matematica dei parametri del modello insieme ai segnaposti di input per ciascuna previsione, classe e azione rispettivamente per le categorie di regressione, classificazione e rinforzo.

Questa espressione è incorporata nel singolo neurone come modello.

Per il percettrone a singolo strato e il modello di apprendimento profondo, è necessario estrarre questo modello camminando attentamente sui neuroni e sui livelli per raccogliere e cucire la funzione di attivazione in modo ordinato.

Nell'apprendimento automatico, il modello è il centro di gravità e tutto ruota attorno al modello. Sebbene persone diverse abbiano definizioni diverse del modello. Ma secondo me, qui possiamo meglio come definire il modello "il modello nell'apprendimento automatico è l'ipotesi che cerca di adattare i dati e imparare a prevedere i dati invisibili".