F:
Hur gäller Occams rakkniv för maskininlärning?
A:Användningen av Occam's rakkniv går tillbaka till William av Ockham på 1200-talet - det är idén att den enklaste och mest direkta lösningen borde föredras, eller att med olika hypoteser kommer den enklaste eller den som har minst antaganden bäst att tillämpas.
Occams rakkniv har emellertid också några moderna applikationer för modern teknik - ett exempel är tillämpningen av principen på maskininlärning. Med maskininlärning arbetar ingenjörer för att utbilda datorer på uppsättningar av träningsdata, så att de kan lära sig och gå utöver gränserna för sin ursprungliga kodbaserad programmering. Maskininlärning innebär implementering av algoritmer, datastrukturer och träningssystem till datorer, så att de kan lära sig på egen hand och ge utvecklande resultat.
Med tanke på detta känner vissa experter att Occams rakkniv kan vara användbar och lärorik när man utformar maskininlärningsprojekt. En del hävdar att Occam's rakkniv kan hjälpa ingenjörer att välja den bästa algoritmen som ska tillämpas på ett projekt, och också hjälpa till med att besluta hur man tränar ett program med den valda algoritmen. En tolkning av Occams rakkniv är att med tanke på mer än en lämplig algoritm med jämförbara avvägningar bör den som är minst komplex att använda och lättast att tolka användas.
Andra påpekar att förenklingsförfaranden som funktionsval och dimensionalitetsminskning också är exempel på att använda en Occams rakknivsprincip - att förenkla modeller för att få bättre resultat. Å andra sidan, andra beskriver modellavvägningar där ingenjörer minskar komplexiteten på bekostnad av noggrannhet - men hävdar fortfarande att denna Occams rakknivsmetod kan vara fördelaktig.
En annan tillämpning av Occam's rakkniv involverar de parametrar som ställts in för vissa typer av maskininlärning, såsom Bayesian logik inom teknik. När man begränsar uppsättningarna parametrar för ett projekt kan ingenjörer sägas vara att ”använda Occams rakkniv” för att förenkla modellen. Ett annat argument går att när kreativa människor brainstormar hur man bedömer företagets användningsfall och begränsar omfattningen av ett projekt innan de använder algoritmer, använder de Occams rakkniv för att sprida projektets komplexitet från början.
Ännu en populär tillämpning av Occams rakkniv på maskininlärning innebär ”förbannelsen av alltför komplicerade system.” Detta argument går ut på att att skapa en mer komplicerad och detaljerad modell kan göra den modellen ömtålig och svår. Det finns ett problem som kallas övermontering där modeller görs för komplexa för att verkligen passa de data som granskas och användningsfallet för dessa data. Detta är ett annat exempel där någon kan citera Occams rakkniv i avsiktlig design av maskininlärningssystem, för att se till att de inte lider av överkomplexitet och stelhet.
Å andra sidan påpekar vissa att användning av Occams rakkniv felaktigt kan minska effektiviteten i programmering av maskininlärning. I vissa fall kan komplexiteten vara nödvändig och fördelaktig. Det har allt att göra med att undersöka det specifika projektomfånget och vad som måste erhållas, och titta på input, träningsuppsättningarna och parametrarna för att tillämpa de mest riktade lösningarna för det givna resultatet.
