Innehåll
F:
Hur gäller Occams rakkniv för maskininlärning?
A:
Användningen av rakkniv från Occams går tillbaka till William av Ockham på 1200-talet - det är idén att den enklaste och mest direkta lösningen borde föredras, eller att med olika hypoteser kommer den enklaste eller den som har minst antaganden bäst att tillämpas.
Dock har Occams-rakkniv också några moderna applikationer för avancerad teknik - ett exempel är tillämpningen av principen på maskininlärning. Med maskininlärning arbetar ingenjörer för att utbilda datorer på uppsättningar av träningsdata, så att de kan lära sig och gå utöver gränserna för sin ursprungliga kodbaserad programmering. Maskininlärning innebär implementering av algoritmer, datastrukturer och träningssystem till datorer, så att de kan lära sig på egen hand och ge utvecklande resultat.
Med tanke på detta känner vissa experter att Occams-rakkniv kan vara användbart och lärorikt när man utformar maskininlärningsprojekt. En del hävdar att Occams-rakkniv kan hjälpa ingenjörer att välja den bästa algoritmen som ska tillämpas på ett projekt, och också hjälpa till med att besluta hur man tränar ett program med den valda algoritmen. En tolkning av Occams-rakkniv är att med tanke på mer än en lämplig algoritm med jämförbara avvägningar bör den som är minst komplex att använda och lättast att tolka användas.
Andra påpekar att förenklingsförfaranden som funktionsval och dimensionell minskning också är exempel på att använda en Occams-rakknivsprincip - för att förenkla modeller för att få bättre resultat. Å andra sidan beskriver andra modellavvägningar där ingenjörer minskar komplexiteten på bekostnad av noggrannhet - men hävdar fortfarande att detta Occams-rakknivsförfarande kan vara fördelaktigt.
En annan tillämpning av rakkniv från Occams involverar de parametrar som ställts in för vissa typer av maskininlärning, såsom Bayesian logik inom teknik. När man begränsar uppsättningarna parametrar för ett projekt, kan ingenjörer sägas vara ”att använda Occams rakkniv” för att förenkla modellen. Ett annat argument går att när kreativa människor brainstormar hur man bedömer fallet för affärsanvändning och begränsar omfattningen av ett projekt innan de använder algoritmer, använder de Occams-rakkniv för att sprida projektets komplexitet från början.
Ännu en populär tillämpning av Occams-rakkniv på maskininlärning innebär ”förbannelsen av alltför komplicerade system.” Detta argument går ut på att att skapa en mer komplicerad och detaljerad modell kan göra den modellen ömtålig och svår. Det finns ett problem som kallas övermontering där modeller görs för komplexa för att verkligen passa de data som granskas och användningsfallet för dessa data. Detta är ett annat exempel där någon kan citera rakkniv från Occams i den avsiktliga utformningen av maskininlärningssystem, för att se till att de inte lider av överkomplexitet och stelhet.
Å andra sidan påpekar vissa att om du använder Occams rakkniv felaktigt kan det minska effektiviteten i programmering av maskininlärning. I vissa fall kan komplexiteten vara nödvändig och fördelaktig. Det har allt att göra med att undersöka det specifika projektomfånget och vad som måste erhållas, och titta på input, träningsuppsättningar och parametrar för att tillämpa de mest riktade lösningarna för det givna resultatet.