タグ付けされた質問 「heuristic」

私は最近、カーネルトリックの使用について学びました。カーネルトリックは、これらの次元のデータを線形化するために、データを高次元の空間にマップします。このテクニックの使用を避けるべきケースはありますか？適切なカーネル関数を見つけるだけの問題ですか？ 線形データの場合、これはもちろん有用ではありませんが、非線形データの場合、これは常に有用であると思われます。線形分類器の使用は、トレーニング時間とスケーラビリティの点で非線形よりもはるかに簡単です。

13 machine-learning  svm  kernel-trick  heuristic 

これは哲学的な質問に隣接していますが、私はより多くの経験を持つ他の人が分布選択についてどう考えるか興味があります。場合によっては、理論が最適に機能することは明らかです（マウスの尾の長さはおそらく正規分布しています）。多くの場合、データセットを説明する理論はおそらくないので、最初に説明するために開発されたものに関係なく、あなたがかなり持っているものに合うものを使用しますか？これらのいずれかを使用する場合の落とし穴のいくつかを想像することができます。そして、もちろん、実際にわからない場合は経験的分布を使用する必要があるという問題があるようです。 だから私は本当に私が求めていることを推測します：誰かがこの問題についてアプローチ/思考する一貫した方法を持っていますか？また、これを適切に扱うために提案できるリソースはありますか？

12 distributions  overfitting  heuristic 

これが明らかになるケースがあったとしても、それはモンティホールの問題です。偉大なポール・エルドスでさえ、この問題にだまされました。答えるのが難しいかもしれない私の質問は、私たちが直感的な議論を理解し、それでもそれほど間違っている答えに自信を持つことができる確率については何ですか。1桁目のベンフォードの法則と待ち時間のパラドックスは、このような他の有名な例です。

10 probability  conditional-probability  paradox  heuristic