เรื่อง“ พลัง” ของผู้เรียนที่อ่อนแอ


22

ฉันมีคำถามที่เกี่ยวข้องอย่างใกล้ชิดเกี่ยวกับผู้เรียนที่อ่อนแอในการเรียนรู้ทั้งมวล (เช่นการส่งเสริม)

  1. สิ่งนี้อาจฟังดูเป็นใบ้ แต่ประโยชน์ของการใช้ที่อ่อนแอเมื่อเทียบกับผู้เรียนที่แข็งแกร่งคืออะไร (เช่นทำไมไม่ส่งเสริมด้วยวิธีการเรียนรู้ "ที่รัดกุม")
  2. มีความแข็งแรง "ดีที่สุด" สำหรับผู้เรียนที่อ่อนแอ (เช่นในขณะที่รักษาพารามิเตอร์อื่น ๆ ทั้งหมดไว้)? มี "จุดหวาน" เมื่อพูดถึงจุดแข็งของพวกเขาหรือไม่?
  3. เราจะวัดความแข็งแกร่งของผู้เรียนที่อ่อนแอได้อย่างไรโดยเทียบกับวิธีการรวมกลุ่มที่เกิดขึ้น เราจะวัดผลประโยชน์ที่ได้จากการใช้ทั้งมวลในเชิงปริมาณได้อย่างไร
  4. เราจะเปรียบเทียบอัลกอริทึมการเรียนรู้ที่อ่อนแอหลายอย่างเพื่อตัดสินใจว่าจะใช้อันใดสำหรับวิธีการรวมวงที่กำหนดได้อย่างไร
  5. หากวิธีการของวงดนตรีที่ให้มาช่วยจำแนกลักษณนามที่อ่อนแอกว่าคนที่แข็งแกร่งเราจะบอกตัวจําแนกที่ได้รับมาว่า "แข็งแกร่งเกินไป" เพื่อให้ได้รับผลกําไรที่สําคัญเมื่อเพิ่มด้วย

คำตอบ:


16

นี่อาจเป็นอีกวิญญาณบรรจุถุง แต่อย่างไรก็ตาม:

  • หากคุณมีผู้เรียนที่แข็งแกร่งจริง ๆ คุณไม่จำเป็นต้องปรับปรุงมันโดยสิ่งใด ๆ
  • ฉันจะบอกว่า ... ไม่เกี่ยวข้อง ในการผสมและบรรจุภัณฑ์เล็กน้อยในการส่งเสริมการจัดลักษณนามที่แข็งแกร่งเกินไปอาจนำไปสู่การฝ่าฝืนการบรรจบกัน (เช่นการทำนายโชคดีอาจทำให้การทำซ้ำครั้งต่อไปเพื่อทำนายเสียงบริสุทธิ์และทำให้ประสิทธิภาพลดลง) แต่โดยทั่วไปแล้ว
  • นี่ไม่ใช่ปัญหาจริง หลักสำคัญของวิธีการเหล่านั้นคือ

    1. บังคับให้ตัวแยกประเภทบางส่วนมองลึกลงไปในปัญหา
    2. เข้าร่วมการทำนายของพวกเขาเพื่อลดทอนสัญญาณรบกวนและขยายสัญญาณ

    1) ต้องการความสนใจในการส่งเสริม (เช่นแผนการส่งเสริมที่ดีมีพฤติกรรมผู้เรียนบางส่วน - แต่นี่คือการตัดสินโดยการทดลองเกี่ยวกับการส่งเสริมทั้งหมด) 2) ในการบรรจุและการผสม (ส่วนใหญ่จะทำให้ขาดความสัมพันธ์ระหว่างผู้เรียน) และอย่าลืมวงดนตรีทั้งหมด) ตราบใดที่นี่เป็น OK ความแม่นยำของตัวจําแนกบางส่วนเป็นปัญหาอันดับที่สาม


ขอบคุณ @mbq ข้างต้นหมายความว่าลักษณนามอ่อนแอมักจะได้รับประโยชน์จากวิธีการทั้งมวลมากกว่าวิธีที่รัดกุมหรือไม่? (เช่นการส่งเสริมช่วยให้ตัวแยกประเภทอ่อนแอมากกว่าตัวที่แข็งแกร่ง) ในแง่นี้เราจะรู้ได้อย่างไรว่าตัวแยกประเภทที่กำหนดไว้นั้นมีความแข็งแรงเพียงพอสำหรับวิธีการรวมกลุ่ม (เช่นคุณจะบอกได้อย่างไรว่าคุณมีผู้เรียนที่แข็งแกร่งซึ่งจะไม่ได้ประโยชน์จากการส่งเสริมมากนัก)
Amelio Vazquez-Reina

1
แต่ตัวจําแนกที่อ่อนแอเท่านั้นให้พื้นที่สําหรับการปรับปรุง โดยทั่วไปแล้วความแข็งแกร่งคือคุณภาพนามธรรมและเราไม่สามารถวัดได้ การทดสอบบางอย่างเพียงอย่างเดียวคือทำการทดสอบและตรวจสอบว่าการประกอบกันเพิ่มประสิทธิภาพอย่างมีนัยสำคัญหรือไม่ ถ้าเป็นเช่นนั้นตัวจําแนกอ่อนแอ ถ้าไม่ดีเราก็ยังไม่รู้อะไรเลย

11

ครั้งแรกความคิดของ "อ่อนแอ" และ "แข็งแกร่ง" จะถูกกำหนดอย่างอ่อนแอเท่านั้น จากมุมมองของฉันพวกเขาจะต้องกำหนดสัมพันธ์กับลักษณนามเบย์ที่ดีที่สุดซึ่งเป็นเป้าหมายของอัลกอริทึมการฝึกอบรมใด ๆ เมื่อคำนึงถึงสิ่งนี้คำตอบของฉันในสามประเด็นมีดังนี้

  1. การคำนวณตามที่เห็น ผู้เรียนที่อ่อนแอที่สุดที่ฉันรู้ว่ามีความรวดเร็วในการคำนวณ จุดสำคัญในการเรียนรู้วงดนตรีคือเราสามารถผสมผสานความเรียบง่ายและความรวดเร็ว แต่ไม่ดีนักผู้เรียนและปรับปรุงอัตราความผิดพลาด หากเราใช้ผู้เรียนที่แข็งแกร่ง (และต้องการการคำนวณมากขึ้น) ห้องสำหรับการปรับปรุงมีขนาดเล็กลง แต่ค่าใช้จ่ายในการคำนวณมีขนาดใหญ่ขึ้นซึ่งทำให้การใช้วิธีการทั้งมวลน่าสนใจน้อยลง นอกจากนี้ผู้เรียนที่เข้มแข็งเพียงคนเดียวอาจตีความได้ง่ายกว่า อย่างไรก็ตามสิ่งที่อ่อนแอและสิ่งที่แข็งแกร่งขึ้นอยู่กับปัญหาและอัตรา Bayes ที่ดีที่สุดที่เราพยายามที่จะบรรลุ ดังนั้นหากผู้เรียนที่มักจะถือว่าแข็งแรงยังคงมีช่องว่างสำหรับการปรับปรุงเมื่อเพิ่มและเพิ่มเป็นไปได้ที่คำนวณได้แล้วจะเพิ่ม ...
  2. สิ่งนี้จะขึ้นอยู่กับเกณฑ์ที่คุณใช้วัด "ดีที่สุด" ในแง่ของอัตราความผิดพลาดฉันจะบอกว่าไม่ (ฉันยินดีต้อนรับการแก้ไขใด ๆ หากผู้อื่นมีประสบการณ์ที่แตกต่างกัน) ในแง่ของความเร็วบางที แต่ฉันคิดว่ามันขึ้นอยู่กับปัญหาอย่างมาก ฉันไม่ทราบว่ามีวรรณกรรมใดที่เกี่ยวข้องกับเรื่องนี้ขอโทษ
  3. ?
  4. การตรวจสอบข้ามการตรวจสอบข้ามการตรวจสอบข้าม เช่นเดียวกับการเปรียบเทียบวิธีการอื่น ๆ สำหรับการฝึกอบรมโดยมีเป้าหมายในการคาดการณ์เราจำเป็นต้องมีการประเมินข้อผิดพลาดโดยทั่วไปที่เป็นกลางสำหรับการเปรียบเทียบซึ่งสามารถทำได้โดยการจัดเตรียมชุดข้อมูลทดสอบหรือประมาณนี้โดยการตรวจสอบข้าม

ขอบคุณ @NRH มันมีประโยชน์มาก ฉันแยกคำถามที่สามออกเป็นสองคำถามเนื่องจากฉันคิดว่าพวกเขาอาจต้องการคำตอบที่แตกต่างกัน
Amelio Vazquez-Reina

ดังนั้นจึงมีวิธีที่จะทราบว่าตัวจําแนกเป็นตัวจําแนกเป็นตัวจําแนกเบย์ที่เหมาะสมที่สุดอย่างไร หากใกล้พอแล้วเราก็ไม่สามารถปรับปรุงได้
highBandWidth

@ highBandWidth มันเป็นไปไม่ได้ที่จะรู้ว่าอัตราการเบย์คืออะไร มันเป็นปริมาณเชิงทฤษฎีที่ต้องอาศัยการแจกแจงที่ไม่รู้จัก สมมติฐานเชิงทฤษฎีอาจให้ขอบเขตที่ต่ำกว่าและสูงกว่า (asymptotic) และโดยใช้การตรวจสอบความถูกต้องข้ามหรือข้อมูลการทดสอบอิสระมันเป็นไปได้ที่จะประเมินขอบเขตอย่างแม่นยำ แต่ถ้าคุณไม่รู้จักการแจกจ่ายมันเป็นไปไม่ได้ที่จะบอกได้ว่าขอบเขตบนนั้นแน่นหรือออกจากห้องเพื่อการปรับปรุง
NRH
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.