知识卡片

普通读书笔记卡 · 9882.b · 生成模型:Hunyuan

表示与特征的关键作用

理解等级:中级

逻辑回归、朴素贝叶斯这类简单机器学习算法,本身只把输入特征映射到输出,性能在很大程度上取决于数据如何被表示。表示中的每条信息称为一个特征,比如判断剖腹产时是否存在子宫疤痕;算法能学习特征与结果的关系,却无法改变特征的定义方式。若把 MRI 像素直接喂给同一算法,预测就会失效,因为单个像素与并发症几乎无关。同样的数据换成不同表示,任务难度可能天差地别:阿拉伯数字下算术容易、罗马数字下困难,散点分类在笛卡尔坐标下不可分、换成极坐标却一条竖线就能解决。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第1章 引言 · 查看原书依据

      这些简单的机器学习算法的性能在很大程度上依赖于给定数据的表示 (representation)。例如,当逻辑回归用于判断产妇是否适合剖腹产时,AI系统不会直接检查患者。相反,医生需要告诉系统几条相关的信息,诸如是否存在子宫疤痕。表示患者的每条信息称为一个特征。

    参考来源

    - 位置:《深度学习》第1章 引言(源文件:extracted/深度学习/_epub-src/text/part0000_split_000.html) - 结论依据:原文用剖腹产判断、MRI 输入以及阿拉伯数字与罗马数字、笛卡尔坐标与极坐标的对比,反复论证表示选择对算法性能的决定影响。 - 原始内容:这些简单的机器学习算法的性能在很大程度上依赖于给定数据的表示 (representation)。例如,当逻辑回归用于判断产妇是否适合剖腹产时,AI系统不会直接检查患者。相反,医生需要告诉系统几条相关的信息,诸如是否存在子宫疤痕。表示患者的每条信息称为一个特征。