ตัวแยกประเภทการเรียนรู้ของเครื่องใดที่ขนานได้มากที่สุด

ตัวแยกประเภทการเรียนรู้ของเครื่องใดที่ขนานได้มากที่สุด หากคุณมีปัญหาในการจัดหมวดหมู่ยาก จำกัด เวลา แต่มี LAN ที่เหมาะสมสำหรับคอมพิวเตอร์ที่จะใช้งานตัวแยกประเภทใดที่คุณจะลอง

สำหรับมือฉันดูเหมือนว่าตัวแยกประเภทมาตรฐานบางอย่างที่ฉันรู้ว่ามีสแต็กดังนี้ แต่ฉันอาจผิดทั้งหมด:

ป่าสุ่ม - ขนานมากตราบใดที่แต่ละเครื่องสามารถเก็บข้อมูลทั้งหมด (เช่นไม่สามารถแบ่งข้อมูลการฝึกอบรมต่อ se แต่ขนานกันเป็นอย่างอื่น)

การส่งเสริม -

สนับสนุน Vector Machine - ไม่ขนานกันมาก

ต้นไม้ตัดสินใจ - สามารถแบ่งออกเป็นบางส่วนได้ แต่ไม่ค่อยมีประสิทธิภาพ

มีความพยายามที่จะทำให้ขนานลักษณนามที่รู้จักกันดีรวมถึงการเพิ่ม [ กระดาษ ], SVM [ กระดาษ ] และแม้แต่ต้นไม้การตัดสินใจ [ กระดาษ ] แน่นอนโดยการยอมรับความเท่าเทียมคุณอาจสูญเสียด้านอื่น ๆ ไม่ว่าจะเป็นการใช้งานอัลกอริทึมความซับซ้อนของตัวอย่างหรือผู้ต้องสงสัยตามปกติอื่น ๆ

จากจุดสิ้นสุดของทฤษฎีคำถามนั้นยากกว่าเพราะเมื่อคุณพูดถึงการเรียนรู้คุณต้องคิดถึงฟังก์ชั่นเป้าหมาย ตัวอย่างเช่นเราไม่รู้จักต้นไม้ตัดสินใจที่จะเรียนรู้ PAC ได้ดังนั้นหากเป้าหมาย (รวมถึงวิธีการ) เป็นต้นไม้ตัดสินใจดังนั้นเราจึงไม่สามารถเรียนรู้ได้ (ยัง) โดยไม่ต้องแนะนำแง่มุมเพิ่มเติมให้กับ ปัญหา. การเพิ่มประสิทธิภาพรับรอบนั้นโดยสมมติว่าเงื่อนไขการเรียนรู้อ่อนมากขอบ SVM และอื่น ๆ ฉันคิดว่าสมมติฐานเหล่านั้นถ่ายโอนไปยังกรณีขนานเพื่อให้คุณได้เรียนรู้ PAC

แต่เช่นเคยมีช่องว่างขนาดใหญ่ระหว่างพรมแดน (และดังนั้นจึงเกี่ยวข้องกับ) ของทฤษฎีและการปฏิบัติ ยกตัวอย่างเช่นในทางปฏิบัติมันมีความสำคัญว่าความขนานนั้นมากกว่าแกนหรือกลุ่ม อัลกอริทึมหนึ่งที่พัฒนาขึ้นโดยเฉพาะสำหรับการใช้งานจริงในการตั้งค่าข้อมูลขนาดใหญ่คือVWและเริ่มสนับสนุนขนานกัน คุณอาจสนใจอ่านบทความในการประชุมเชิงปฏิบัติการ NIPS 2010 เรื่องการเรียนรู้แบบขนานที่ใช้งานได้จริง