规则方法VS学习方法

  • #决策层次
    决策是指模型怎样利用输入信息得到输出

规则方法

这里所说的规则方法是指显式地使用规则,并且规则集合是由人所规定的,使用时不再变化。由于对复杂任务规则难以描述、难以覆盖复杂输入情况,因此只适用于简单,容易描述的任务。

学习方法

其实学习方法的规则集合是模型自动生成的。据此可将学习方法分为显式规则集合与隐式规则集合。-

  • 隐式是指规则对于人类不可解释,这样的模型很多。因为现在的模型都是数值模型,所以规则一般隐藏于数值之中。学习方法能够通过调整数值学习到不同规则,依据大规模标记训练样本。就能学习到隐式的,对任务表现良好的规则。这就是当前的机器学习。我们人类有很多总结的规则没法“传授”给隐式规则学习模型。可以认为是两个物种之间的沟通障碍。一种比较笨的、不过可行的是通过数据进行沟通:对于一条规则,人类用其生成标记数据,把标记数据送入模型进行学习。例如图像识别中利用旋转、缩放、平移的不变性对标记样本进行扩展。这也存在问题:1. 用规则生成数据是几何增长的 2. 用数据体现规则是及其冗余并且不全面的。我们人类花费几十个世纪,不断从这复杂的世界中总结规律,就是为了利用尽可能少的规则来描述这个世界、预测未来发展。

  • 显式是指对于人类可解释的。这样人类就可以直接对规则集合进行扩充和修改。这个要求比较高,目前经典模型缺乏(笔者知识范围内)。

  • 信息处理层次

规则与学习方法也可以进一步体现在信息处理方式上
模型的输入信息通常是高维的,无法直接用于决策,需要进一步进行信息处理,得到对决策更加有效的信息,这就是特征,特征是模型决策的依据(输入),有效是指对不同输出的区分性,也就是模型的正确率。
特征的提取方式比决策更加难以用规则进行描述。这涉及到人类大脑的潜意识处理机制,一时无法进行解释。不过现在的机器学习方法可以自动学习到特征的提取方式(输入信息的处理方式),不过是否与人类的处理方式一样很难说。其实特征提取是条条道路通罗马,尤其对于复杂的任务,没有绝对正确的提取方法。
特征提取方式人类可以某种程度上可以传授给学习方法,一般是通过调整模型的超参数,比如信息处理的范围,或者直接告诉那些可以作为特征。也就是模型的设计上处处体现了设计者的传授方法。常说的trick,就是一些比较有效的信息处理规则。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,688评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,559评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,749评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,581评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,741评论 3 271
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,684评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,122评论 2 292
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,847评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,441评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,939评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,333评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,783评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,275评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,830评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,444评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,553评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,618评论 2 249

推荐阅读更多精彩内容