Решение NP-трудных задач |
357 |
(если только мы не имеем дело со средой, в которой были предприняты усилия для устранения таких искажений до сбора данных).
Алгоритмическая предвзятость прямо или косвенно обусловлена человечески ми предубеждениями. Они могут быть отражены либо в данных, используемых алгоритмом, либо в описании самого алгоритма. Для типичного проекта машин ного обучения, следующего жизненному циклу CRISP-DM, который был описан в главе 6, предвзятость выглядит следующим образом (рис. 14.4).
|
|
|
|
|
|
|
|
||||
|
|
||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 14.4 |
|
|
При снижении предвзятости труднее всего в первую очередь выявить и лока лизовать невольное (неосознаваемое) предубеждение.
РЕШЕНИЕ NP-ТРУДНЫХ ЗАДАЧ
NP-трудные задачи подробно обсуждались в главе 4. Некоторые задачи этого класса крайне важны, а значит, необходимо разрабатывать алгоритмы для их решения.
358 |
Глава 14. Практические рекомендации |
Если NP-трудная задача кажется нерешаемой из-за сложности или ограничен ности имеющихся ресурсов, можно воспользоваться одним из следующих под ходов:
zz упрощение задачи;
zz адаптация известного решения аналогичной задачи; zzвероятностный метод.
Давайте рассмотрим каждый подход.
Упрощение задачи
Задачу можно упростить, приняв определенные допущения. В этом случае ре шение будет хотя и не идеальным, но приемлемым и все равно полезным. Что бы это сработало, допущения должны быть как можно менее ограничивающими.
Пример
Взаимосвязь между признаками и метками в задачах регрессии редко бывает идеально линейной. Но ее можно считать линейной в пределах нашего обычного рабочего диапазона. Такая аппроксимация значительно упрощает алгоритм
ивесьма широко применяется. Однако это отрицательно влияет на точность ал горитма. Нужно тщательно изучить компромисс между допущениями и точностью
ивыбрать оптимальное соотношение, подходящее для заинтересованных сторон.
Адаптация известного решения аналогичной задачи
Если существует решение похожей задачи, то его можно использовать в качестве отправной точки и адаптировать для новой задачи. Идея переноса обучения основана именно на этом принципе. Результат работы уже обученных моделей используется в качестве стартовой точки для разработки нового алгоритма.
Пример
Предположим, нам нужно обучить бинарный классификатор, который во время корпоративного обучения различает ноутбуки Apple и Windows на видеотранс ляции, используя распознавание объектов. На первом этапе мы научим модель определять на видео различные объекты и выявлять ноутбуки. После этого можно перейти ко второму этапу — разработке правил, которые помогут раз личать ноутбуки Apple и Windows.