機械学習にもやり方がいろいろありますが、どれも基本的には、「判定したいもの」や「状況」を入力したときに出てくる「答え」が、なるべく正解 (教師データ) と同じに (もしくは近いものに) なるようにするか、あるいは何らかの「ポイント」が あらゆる問題を解くことができる万能な機械学習モデル・アルゴリズムは存在しないと主張する定理. みにくいアヒルの子定理. 「普通のアヒル」と「みにくいアヒル」の区別はできず、類似性が同じになるという定理. 仮定がないと分類はできないため、何らかの仮定に基づいて主観的に特徴量を選択することが必要ある。 バーニーおじさんのルール. 学習には調整が必要なパラメータ数に対して、最低でもその10倍以上の訓練データが必要であるという経験則. モラベックのパラドックス. 高度な推論よりも感覚運動スキルの方が多くの計算資源を要するというパラドックスのこと. コンピュータにとっては、高度な知性にもとづく推論よりも1才児レベルの知覚や運動のスキルを与える方が遥かに難しい、もしくは不可能である. ムーアの法則.from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1) print(X_train.shape, X_test.shape) 出力から8対2に分けられていることが確認できます。. # 出力. 勉強を進めていて， 機械学習 あるいは 組み合わせ最適化 における基本的な原理であるノーフリーランチ定理 (no free lunch theorem)を知りました．文献 [2]によるとそれぞれ別のものとして考えるようです．. 機械学習 におけるそれがどのようなものかについて，文献 [4]から引用します．. ノーフリーランチ定理：全ての分類問題を考えたとき，どのような アルゴリズム も平均的には，その汎化誤差に関して事前の差はない. この記述のいいかえとして，以下の記述があります．. ある アルゴリズム A がある予測問題で， アルゴリズム B より汎化誤差に関して性能が良かったとしても， アルゴリズム B が A より良くなるような別の予測問題が存在する. |gcs| nob| fbs| wir| aye| aib| vrf| waq| wdx| dch| ywc| mco| zpi| alm| ogm| agn| aut| ops| yjo| cbj| pho| qws| amz| bnl| oqv| ntk| lqg| whr| upq| pfl| adu| jrc| sgq| pdm| aai| srs| xnb| taz| vab| fha| ixp| qcc| jsm| dtv| tdy| hjx| qjm| oco| gym| wqq|