文章 "克服机器学习的局限性(第三部分):不可约误差的新视角"

新文章 克服机器学习的局限性(第三部分):不可约误差的新视角已发布:

本文以全新视角探讨一种隐蔽的几何误差来源,它悄然影响着模型的每一次预测。 通过重新思考如何在交易中衡量和运用机器学习预测,我们揭示了这一被忽视的视角如何带来更精准的决策、更高的回报,以及如何更明智地运用那些我们自以为已经理解的模型。

本文将向读者介绍当前机器学习模型的一些深层局限,而讲师在部署这些模型之前,通常并未接受过有关这些局限的明确讲授。 机器学习领域主要由数学符号和文献主导。 由于从业者可以从多个抽象层次研究机器学习,所采用的方法也往往各不相同。 例如,一些从业者仅通过scikit-learn等高级库学习机器学习;这些库提供了简单直观的模型使用框架,同时屏蔽了模型背后的数学概念。

然而,视从业者希望达到的掌握程度和控制程度而定,有时必须剥离这些抽象层,才能看清底层究竟发生了什么。 因此,在任何涉及机器学习模型的项目中,不可约误差始终存在,只是很少被直接提及。


作者:Gamuchirai Zororo Ndawana