การเลือกรูปแบบในการเรียนรู้ออฟไลน์และออนไลน์


11

ฉันพยายามเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ออนไลน์เมื่อเร็ว ๆ นี้ (มันน่าทึ่งมาก!) และธีมหนึ่งที่ฉันไม่สามารถเข้าใจได้ดีคือวิธีคิดเกี่ยวกับการเลือกรูปแบบในออฟไลน์กับบริบทออนไลน์ โดยเฉพาะอย่างสมมติว่าเราฝึกลักษณนามออฟไลน์อยู่บนพื้นฐานของข้อมูลบางอย่างถาวรชุดDเราประเมินคุณลักษณะด้านประสิทธิภาพผ่านการตรวจสอบความถูกต้องพูดและเราเลือกตัวจําแนกที่ดีที่สุดด้วยวิธีนี้SD

นี่คือสิ่งที่ฉันคิดเกี่ยวกับ: แล้วเราจะไปเกี่ยวกับการใช้กับการตั้งค่าออนไลน์ได้อย่างไร เราสามารถสมมติได้ว่าดีที่สุดที่พบแบบออฟไลน์จะทำงานได้ดีในฐานะตัวจําแนกออนไลน์ มันสมเหตุสมผลไหมที่จะรวบรวมข้อมูลบางอย่างเพื่อฝึกอบรมจากนั้นนำตัวแยกประเภทเดียวกันและ "ปฏิบัติการ" ในการตั้งค่าออนไลน์โดยใช้พารามิเตอร์เดียวกับที่พบในหรือวิธีอื่นอาจดีกว่า คำเตือนในกรณีเหล่านี้คืออะไร ผลลัพธ์ที่สำคัญที่นี่คืออะไร และอื่น ๆSSSSD

อย่างไรก็ตามตอนนี้ก็อยู่ที่นั่นแล้วฉันเดาว่าฉันกำลังมองหาอะไรคือการอ้างอิงหรือแหล่งข้อมูลที่จะช่วยฉัน (และหวังว่าคนอื่น ๆ ที่กำลังคิดเกี่ยวกับเรื่องนี้!) ทำให้การเปลี่ยนจากการคิดในแง่ออฟไลน์เท่านั้น พัฒนากรอบจิตเพื่อคิดเกี่ยวกับปัญหาของการเลือกแบบจำลองและคำถามเหล่านี้อย่างสอดคล้องกันมากขึ้นเมื่อการอ่านของฉันดำเนินไป


คุณมีโอกาสในการขายที่เป็นประโยชน์หรือไม่หรือคุณมีข้อเสนอแนะใด ๆ ขอบคุณ!
user1953384

ฉันขอแนะนำให้คุณดูกระดาษโดย Francesco " arxiv.org/pdf/1406.3816v1.pdf " ซึ่งเขาร่วมกันทำการเลือกรูปแบบและการเพิ่มประสิทธิภาพในภาพเดียว
chandresh

หากคุณสามารถหลีกเลี่ยงการจ่ายค่าตอบแทนนี่อาจเป็นข้อมูลอ้างอิงที่ดีมาก: cognet.mit.edu/journal/10.1162/089976601750265045 ?
ลูกโซ่

คำตอบ:


1

เห็นได้ชัดว่าในบริบทการสตรีมคุณไม่สามารถแยกข้อมูลของคุณออกเป็นชุดการฝึกอบรมและการทดสอบเพื่อทำการตรวจสอบข้าม การใช้ตัวชี้วัดที่คำนวณจากชุดรถไฟเริ่มต้นนั้นฟังดูแย่กว่าเดิมเนื่องจากคุณคิดว่าการเปลี่ยนแปลงข้อมูลของคุณและโมเดลของคุณจะปรับให้เข้ากับการเปลี่ยนแปลงนั่นคือเหตุผลที่คุณใช้โหมดการเรียนรู้ออนไลน์ในตอนแรก

สิ่งที่คุณสามารถทำได้คือการใช้การตรวจสอบข้ามที่ใช้ในอนุกรมเวลา (ดูHyndman และ Athanasopoulos, 2018 ) ในการประเมินความแม่นยำของตัวแบบอนุกรมเวลาคุณสามารถใช้วิธีการเรียงลำดับซึ่งแบบจำลองนั้นได้รับการฝึกฝนเกี่ยวกับการสังเกตการณ์เพื่อทำนายเกี่ยวกับtimepoint ของ "อนาคต" สิ่งนี้สามารถนำไปใช้ได้ทีละจุดหรือเป็นชุดและขั้นตอนนั้นซ้ำจนกว่าคุณจะสำรวจข้อมูลทั้งหมดของคุณ (ดูรูปด้านล่างจากHyndman และ Athanasopoulos, 2018 )kk+1

ในตอนท้ายคุณจะเฉลี่ย (โดยทั่วไปหมายถึงเลขคณิต แต่คุณสามารถใช้บางอย่างเช่นการปรับให้เรียบแบบเอ็กซ์โปเนนเชียลเช่นกัน) การวัดข้อผิดพลาดเพื่อให้ได้การประเมินความแม่นยำโดยรวม

ป้อนคำอธิบายรูปภาพที่นี่

ในสถานการณ์ออนไลน์สิ่งนี้หมายความว่าคุณเริ่มที่ timepoint 1 และทดสอบใน timepoint 2 ถัดไปฝึกใหม่ใน timepoint 2 เพื่อทดสอบกับ timepoint 3 เป็นต้น

ขอให้สังเกตว่าวิธีการตรวจสอบข้ามนั้นช่วยให้คุณสามารถพิจารณาลักษณะการเปลี่ยนแปลงของประสิทธิภาพของแบบจำลองของคุณ เห็นได้ชัดว่าเมื่อโมเดลของคุณปรับข้อมูลและข้อมูลอาจเปลี่ยนแปลงคุณจะต้องตรวจสอบการวัดข้อผิดพลาดเป็นประจำ: มิฉะนั้นจะไม่แตกต่างจากการใช้ชุดรถไฟและชุดทดสอบขนาดคงที่

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.