|
|
| Строка 1: |
Строка 1: |
| - | В отличии от индукции, являющейся рассуждением от частного (наблюдаемых объектов обучения) к общему (закономерностям общего характера), трансдукцией называют выводы о частных случаях (тестовых данных) на основании частных случаев (данных обучения).
| + | #REDIRECT [[Трансдукция]] |
| - | Различия между этими методами построения выводов особенно интересны, когда прогноз, полученный с помощью трансдуктивной модели, невозможно получить, используя модель индуктивную.
| + | |
| - | Заметим, что подобные ситуации возникают, когда в результате трансдутивного вывода на различных тестовых наборах получаются взаимно противоречивые прогнозы.
| + | |
| - | | + | |
| - | Понятие трансдукции было введено [[Вапник, Владимир Наумович|Владимиром Вапником]] в девяностых годах двадцатого века.
| + | |
| - | По мнению Вапника трансдукция может быть отнесена к индукции, поскольку индукция требует решения общей задачи (восстановления функции) перед решением задачи более конкретной (вычисление результатов для новых объектов):
| + | |
| - | «Решая интересующую Вас задачу, не стоит решать более общую задачу на промежуточном шаге.
| + | |
| - | Постарайтесь получить ответ, который Вам действительно нужен, а не более общий.»
| + | |
| - | | + | |
| - | Примером обучения, не являющегося индуктивным, может быть случай двоичной классификации, в котором входные данные склонны разделяться на две группы.
| + | |
| - | Большой объём контрольных данных может помочь в поиске кластеров, давая полезную информацию о метках классов.
| + | |
| - | Те же выводы не могут быть достигнуты с помощью модели, восстанавливающей функцию лишь на основании обучающей выборки.
| + | |
| - | Может показаться, что это пример тесно связанного с трансдукцией [[Частичное обучение|частичного обучения]], но у Вапника была несколько иная мотивация.
| + | |
| - | Примером алгоритма этой категории может послужить трансдуктивная [[машина опорных векторов]] (Transductive Support Vector Machine, TSVM).
| + | |
| - | | + | |
| - | Третья возможная причина, ведущая к трансдукции, возникает при необходимости в приближении.
| + | |
| - | Если построение точного ответа вычислительно невозможно, то можно по крайней мере попытаться убедиться в том, что приближения хороши на тестовых данных.
| + | |
| - | В этом случае тестовые данные могут иметь произвольное распределение (необязательно связанное с распределением обучающих данных), что недопустимо в случае частичного обучения.
| + | |
| - | Примером алгоритма, подпадающего под эту категорию, может является Машина Байесовых Комитетов (Bayesian Committee Machine, BCM).
| + | |
| - | | + | |
| - | == Ссылки ==
| + | |
| - | [http://en.wikipedia.org/wiki/Transductive_learning Wikipedia]
| + | |
| - | | + | |
| - | == Категории ==
| + | |
| - | [[Категория:Машинное обучение]]
| + | |
