Q:
Kaip „Occam“ skustuvas tinkamas mokytis mašinų?
A:„Occam“ skustuvą naudojo dar Williamas iš Ockhamas 1200 m. - kilo mintis, kad turėtų būti teikiama pirmenybė paprasčiausiam ir tiesioginiam sprendimui arba kad esant skirtingoms hipotezėms, geriausiai bus taikomas paprasčiausias arba tas, kuris turi mažiausias prielaidas.
Tačiau „Occam“ skustuvas taip pat turi keletą modernių pritaikymų moderniausioms technologijoms - vienas iš pavyzdžių yra principo taikymas mašininiam mokymuisi. Mokydamiesi mašinų, inžinieriai treniruoja kompiuterius pagal mokymo duomenų rinkinius, kad jie galėtų išmokti ir peržengti savo pradinio kodo bazės programavimo ribas. Mašinų mokymasis apima algoritmų, duomenų struktūrų ir mokymo sistemų diegimą kompiuteriuose, kad jie galėtų mokytis savarankiškai ir duotų tobulėjančius rezultatus.
Atsižvelgdami į tai, kai kurie ekspertai mano, kad „Occam“ skustuvas gali būti naudingas ir pamokantis kuriant mašinų mokymosi projektus. Kai kurie mano, kad „Occam“ skustuvas gali padėti inžinieriams pasirinkti geriausią algoritmą, taikomą projektui, taip pat padėti apsispręsti, kaip išmokyti programą pasirinktu algoritmu. Viena iš „Occam“ skustuvo interpretacijų yra ta, kad, atsižvelgiant į daugiau nei vieną tinkamą algoritmą su panašiais kompromisais, turėtų būti naudojamas tas, kuris yra sunkiausiai diegiamas ir lengviausiai interpretuojamas.
Kiti pabrėžia, kad supaprastinimo procedūros, tokios kaip funkcijų pasirinkimas ir matmenų sumažinimas, taip pat yra Occam skustuvo principo taikymo pavyzdžiai - supaprastinant modelius, siekiant geresnių rezultatų. Kita vertus, kiti apibūdina modelio kompromisus, kai inžinieriai sumažina sudėtingumą tikslumo sąskaita - tačiau vis tiek tvirtina, kad šis Occam skustuvo metodas gali būti naudingas.
Kitas „Occam“ skustuvo pritaikymas apima parametrus, nustatytus tam tikroms mašininio mokymosi rūšims, pavyzdžiui, Bajeso logiką technologijose. Apribojus projekto parametrų rinkinius, inžinieriams buvo galima sakyti, kad jie „naudoja Occam skustuvą“, kad supaprastintų modelį. Kitas argumentas yra tas, kad kūrybingi žmonės, prieš naudodamiesi algoritmais, svarsto, kaip įvertinti verslo naudojimą ir apriboti projekto apimtį, jie naudoja Occamo skustuvą, kad nuo pat pradžių suprastintų projekto sudėtingumą.
Dar vienas populiarus Occam skustuvo pritaikymas mašinų mokymuisi susijęs su „pernelyg sudėtingų sistemų prakeiksmu“. Šis argumentas yra tas, kad sukūrus sudėtingesnį ir išsamesnį modelį, šis modelis gali būti trapus ir sunkus. Yra problema, vadinama netinkamu pritaikymu, kai modeliai yra per daug sudėtingi, kad iš tikrųjų atitiktų tiriamus duomenis ir tų duomenų naudojimo atvejus. Tai yra dar vienas pavyzdys, kai kas nors gali pacituoti Occamo skustuvą apgalvotai kurdamas mašinų mokymosi sistemas, kad įsitikintumėte, jog jie nepatiria per didelio kompleksiškumo ir nelankstumo.
Kita vertus, kai kurie pabrėžia, kad netinkamas „Occam“ skustuvo naudojimas gali sumažinti mašininio mokymosi programavimo efektyvumą. Kai kuriais atvejais sudėtingumas gali būti būtinas ir naudingas. Tai viskas susiję su tam tikros projekto apimties ir to, kas turi būti gauta, nagrinėjimu ir įvesties, mokymo rinkinių ir parametrų nagrinėjimu, kad būtų galima pritaikyti tikslingiausius sprendimus pagal duotą rezultatą.
