مروری بر موازنه ی تورش - واریانس و روش های بازنمونه گیری در یادگیری ماشین

امروزه با توجه به گسترش علم اطلاعات و در اختیار داشتن حجم وسیعی از داده ها و همچنین پیشرفت های گسترده در زمینه تکنولوژی، یادگیری ماشین به ابزاری بسیار مهم برای ساخت مدل در رشته های مختلف تبدیل شده است. اما با وجود تنوع بالا در مدل ها، نیاز به تکنیک هایی داریم که بتوانیم از بین مدل های مختلف بهترین مدل را با توجه به داده ها انتخاب کنیم. عملکرد کلی یک روش یادگیری به توانایی آن در پیش بینی داده های آزمون مستقل مرتبط است. ارزیابی عملکرد، ما را به سمت انتخاب درست مدل پیش می برد و یک اندازه برای مدل نهایی به دست می دهد. برای چنین کاری نیاز است مفاهیمی مانند تورش و واریانس را در این مدل ها بررسی کرده و به یک موازنه بین آنها برسیم، همچنین لازم است تکنیک های بازنمونه گیری را معرفی کنیم تا بتوان با استفاده از آنها بهترین مدل را انتخاب کرد. از جمله این تکنیک ها اعتبارسنجی متقابل و بوتاسترپ هستند. در این مقاله به این موضوعات می پردازیم.

کلیدواژه ها:

اعتبارسنجی متقابل ، بازنمونه گیری ، بوتاسترپ ، تورش – واریانس ، یادگیری ماشین