这下子,读者对机器学习的热情可能被一盆冷水浇透了:既然所有学习算法的期望性能都跟随机胡猜差不多,那还有什么好学的?
我们需注意到,NFL定理有一个重要前提:所有“问题”出现的机会相同、或所有问题同等重要.但实际情形并不是这样.很多时候,我们只关注自己正在试图解决的问题(例如某个具体应用任务),希望为它找到一个解决方案,至于这个解决方案在别的问题、甚至在相似的问题上是否为好方案,我们并不关心.例如,为了快速从A地到达B地,如果我们正在考虑的A地是南京鼓楼、B地是南京新街口,那么“骑自行车”是很好的解决方案;这个方案对A地是南京鼓楼、B地是北京新街口的情形显然很糟糕,但我们对此并不关心,事实上,上面NFL定理的简短论述过程中假设了,的均匀分布,而实际情形并非如此.例如,回到我们熟悉的西瓜问题,考虑_[假设1:好瓜÷÷(色泽=术)八(根蒂=蜷缩)八(敲声=浊响))和{假设2:好瓜÷÷(色泽=木)八(根蒂=硬挺)/(敲声=清脆)]-.
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。