“Dự đoán” có thể là từ bỏ trước tiên được nhắc tới khi nói về machine learning. Các model machine learning về bản chất là những chiếc vỏ hộp thừa nhận vào phần đa quan tiếp giáp và chỉ dẫn đầy đủ dự đoán thù.

Bạn đang xem: Argmax là gì

*

Cách nhìn này được chào đón vào một thời hạn nhiều năm do sự thịnh hành của supervised learning (xuất xắc nói chính xác rộng là empirical risk minimization). Tại trên đây mình trường đoản cú “supervised learning” không chỉ là nhằm nói tới câu hỏi học tập từ dữ liệu gồm dán nhãn (nhằm mục đích phân biệt với unsupervised learning), nhưng mà để chỉ cả một framework thường được thực hiện để đào tạo cùng với dữ liệu tất cả dán nhãn.

Hầu hết những thuật toán thù supervised learning chuyển động nhờ vào một giả định (assumption) quan tiền trọng: trả định phân păn năn đồng hóa độc lập (independently identically distributed, trợ thời Hotline tắt là mang định iid). Giả định iid cho rằng:

Các điểm tài liệu được đem chủng loại từ và một phân bố xác suất (identical). Các điểm tài liệu đem mẫu một giải pháp tự do với nhau: tức là Việc xuất hiện thêm của một điểm dữ liệu B không ảnh hưởng cho phần trăm mở ra của điểm dữ liệu A. Nói giải pháp khác, (P(A) = P(A mid B)) hoặc (P(A, B) = P(A)P(B)) (independent).

Phần bự các Model supervised learning được huấn luyện và giảng dạy dựa trên nguyên tắc maximum likelihood, một trường thích hợp đặc trưng của empirical risk minimization. gọi (M_ heta) là Model với tsi số ( heta) với (D = (d_1, d_2, ..., d_N)) là một trong tập tài liệu có (N) điểm tài liệu. (M_ heta(D)) là Tỷ Lệ nhưng Mã Sản Phẩm cho rằng tập dữ liệu đã mở ra trong thực tế, nói một cách khác là likelihood của tập dữ liệu. Quy tắc maximum likelihood bảo rằng bạn phải search mã sản phẩm mang lại sao cho (M_ heta(D)) là cực lớn. eginequation max_ heta M_ heta(D)endequation

Một ví dụ phương pháp bình dân để minh họa về maximum likelihood: bạn có nhu cầu tuyển Chuyên Viên về thơ Đường Nguyễn Trãi, chúng ta đưa cho những ứng cử viên hàng loạt những bài xích thơ của Đường Nguyễn Trãi để thử coi bọn họ gồm nhận thấy hay là không. Dĩ nhiên một ứng viên tuyệt đối đang tự tín hoàn hảo nhất nhận định rằng đầy đủ bài thơ được đưa cho anh ta phần nhiều là của Đường Nguyễn Trãi. Tuy nhiên, ngôi trường vừa lòng đó hi hữu Khi xảy ra: các ứng viên đều phải có một độ do dự nhất mực. Nguim tắc maximum likelihood khuyên ổn bạn nên chọn ứng cử viên nào tự tin duy nhất về vấn đề các bài thơ là của Phố Nguyễn Trãi.

Vì sao mang định iid quan trọng so với supervised learning? Giả định iid giúp ta tính được giá trị của (M_ heta(D)). Cụ thể hơn, nó được cho phép chúng ta phân tách bóc likelihood của tập dữ liệu các thành tích của những likelihood của từng điểm dữ liệu

eginequationM_ heta(D) = prod_i = 1^N M_ heta(d_i) = M_ heta(d_1) imes M_ heta(d_2) imes ldots M_ heta(d_N)endequation

(Giả định independent cho phép (M_ heta(D) = prod_i = 1^N M^(i)_ heta(d_i)), với giả định identical bảo rằng (M^(1) = M^(2) ... = M^(N) = M))

Mục tiêu của supervised learning trsinh sống thành

eginequationmax_ heta prod_i = 1^N M_ heta(d_i) endequation

Ta có thể tính được hàm phương châm bằng cách nhân những (M_ heta(d_i)) với nhau, nhưng không đúng số đã không nhỏ Khi có không ít điểm dữ liệu vày ta sẽ nhân không hề ít số bé dại hơn 1 lại cùng nhau (từng (M_ heta(D)) là 1 trong những Xác Suất trong tầm <0,1>). Ta áp dụng một thủ pháp tân oán học tập để cung cấp đến câu hỏi tính tân oán. Ký hiệu (argmax_x f(x)) biểu lộ cực hiếm của thay đổi (x) sao cho (f(x)) đạt cực lớn, có nghĩa là (f(argmax_x f(x)) = max_x f(x)). Ta bao gồm thừa nhận xét rằng (argmax_x f(x) = argmax_x - log f(x)) chính vì -log là 1 trong những hàm solo điệu bớt với (f(x)) ko âm.

Từ thừa nhận xét trên, ta chuyển kim chỉ nam trường đoản cú maximum likelihood biến đổi maximum negative log-likelihood (bạn cũng có thể thấy một trong hai cụm trường đoản cú này được thực hiện trong một paper về machine learning. Đa số trường vừa lòng, chúng có ý nghĩa tựa như nhau).Mục tiêu của supervised learning trlàm việc thành:

eginequationmax_ heta - log prod_i = 1^N M_ heta(d_i)endequation

Do log của một tích bằng tổng của log đến nên:

eginequationmax_ heta - log prod_i = 1^N M_ heta(d_i) = max_ heta sum - log M_ heta(d_i)endequation

Lúc bấy giờ, có thể chúng ta đã đọc vì chưng sao người lại lựa chọn hàm log vào thủ thuật này. Sau lúc phân bóc, các bạn tính (-log M_ heta(d_i)) cho mỗi điểm dữ liệu cùng cùng bọn chúng lại để tính được hàm mục tiêu.

Xem thêm: Xcode Là Gì ?? Cách Sửa Lỗi Crash Ứng Dụng Macos Xcode Là Gì

Tóm lại, trả định iid hỗ trợ cho ta có thể tính được hàm phương châm của supervised learning một phương pháp dễ dàng bằng cách phân bóc tách likelihood của tập dữ liệu kết quả của những likelihood của từng điểm tài liệu. Cũng giống như đông đảo mang định tân oán học khác, giả định iid giúp đơn giản hóa bài bác tân oán và tạo điều kiện cho ta giảng dạy được những Model tất cả độ đúng đắn nhất mực. Trong thực tế, các Mã Sản Phẩm được giảng dạy vì chưng supervised learning vẫn chiếm lĩnh Thị trường vì độ đơn giản và dễ dàng và tác dụng.

Tuy nhiên, đưa định iid cũng chính là điểm yếu của supervised learning. Giả định này hết sức ko thực tế: nó cho rằng các điểm tài liệu không hề tất cả sự liên kết gì với nhau. Trong cuộc sống, trở lại, rất nhiều vật dụng chúng ta thấy ngày từ bây giờ gần như là kết quả của các câu hỏi các bạn làm cho hôm qua. lấy ví dụ ngày hôm qua bạn quyết định đi du ngoạn, hôm nay chúng ta cũng có thể đột nhiên thức giấc nghỉ ngơi resort làm sao kia. Nhưng nếu khách hàng bận bài toán ko đi nữa, bạn sẽ thức giấc ở trong nhà bản thân. Dân gian gọi là nhân với quả.

Giả định iid xem các lần Mã Sản Phẩm đưa ra một dự đoán thù là 1 trong những lần đưa ra quyết định chủ quyền. Lần trước không tác động gì mang đến lần sau. Điều này làm cho những bạn nghĩ đến những Mã Sản Phẩm machine learning như các cái hộp khác biệt và quên đi ảnh hưởng của rất nhiều dự đoán thù của bọn chúng lên quả đât mặt ngoài.

Để mô hình hóa nhân loại một giải pháp thực tế hơn, ta thử đặt câu hỏi: Những dự đân oán sẽ sở hữu ảnh hưởng lên gần như gì với như thế nào? Hãy test vẽ một mũi thương hiệu bắt nguồn từ gần như dự đân oán và từ hỏi điểm đích của mũi thương hiệu sẽ là đâu. Câu vấn đáp sẽ có được vào phần tiếp theo.

*