ارزیابی فرضیه به منظور تعیین الگوریتم های یادگیری ماشینی موفق

مقایسه کارایی دو الگوریتم یادگیری یک مسئله تخمین است. این موضوع موقعی که زمان و داده های آموزشی نامحدودند، بسیار ساده است اما هنگامی که منابع محدود می شوند، کمی پیچیده تر و سخت تر می گردد. برای تعیین الگوریتم موفق باید طی مراحل مختلف خطاهای موجود را برطرف نمود. یک الگوریتم یادگری با استفاده از داده های آموزشی فرضیه ای را بوجود می آورد. در چنین حالتی ارزیابی فرضیه یاد گرفته شده با حداکثر دقت ممکن، به لحاظ تشخیص قابل استفاده بودن آن فرض، بسیار مهم است فرضیه، جزئی از الگوریتم یادگیری است هرچه دقت فرضیه بیشتر باشد یا خطای آن کاهش یافته باشد، در کنار وجود سایر شرایط، از جمله تعداد داده مناسب و کافی، می توان یادگیری موفق ودرستی را انتخاب نمود.

Keywords:

یادگیری , مرز خطا , الگوریتم موفق , PAC