실제로 머신 러닝 (ML)은 ML의 목표가 무엇인지에 달려 있습니다. 경우에 따라 견고한 사전 처리 및 즉시 사용 가능한 ML 방법 모음을 적용하는 것으로 충분할 수 있습니다. 그러나 이러한 상황에서도 문제가 발생할 때 문제를 해결하려면 방법이 어떻게 작동하는지 이해하는 것이 중요합니다. 그러나 실제로 ML은 이보다 훨씬 많을 수 있으며 MNIST가 그 좋은 예입니다.

MNIST 데이터 세트에서 ‘좋은’성능을 얻는 것은 믿을 수 없을 정도로 쉽습니다. 예를 들어, MNIST 성능에 관한 Yann Le Cun의 웹 사이트에 따르면 , 유클리드 거리 측정법 (L2)을 사용하는 K 가장 가까운 이웃 (K-NN)도 3 %의 오류율을 가지고 있습니다. 숲. L2 K-NN은 ML 알고리즘만큼 간단합니다. 반면, Leon & Patrick의 최고인 Yann, Yoshua는이 데이터 세트 인 LeNet-4에서 처음으로 촬영 한 오류율이 0.7 %이고 0.7 %가 3 %의 4 %보다 작으므로이 시스템을 손으로 쓴 숫자를 읽는 연습을하는 순진 알고리즘은 오류를 수정하기 위해 인간의 노력보다 4 배 많은 노력이 필요합니다.

Yann과 동료들이 사용했던 컨볼 루션 신경망 (convolutional neural network)은이 작업과 일치하지만 데이터를 이해하고 그 이해를 학습 알고리즘으로 인코딩하기 위해 노력하는 것처럼 ‘기능 엔지니어링 (feature engineering)’이라고 부를 수는 없습니다.

그래서 교훈은 무엇입니까?

1. 즉시 사용 가능한 방법과 우수한 전처리를 사용하여 순진한 성능 기준에 쉽게 도달 할 수 있습니다. 기준선의 위치와이 성능 수준이 요구 사항에 적합한 지 여부를 알 수 있도록 항상이 작업을 수행해야합니다. 그러나, 즉시 사용 가능한 ML 방법은 ‘취 성적’입니다. 즉, 전처리에 놀라 울 정도로 민감합니다. 즉시 사용 가능한 방법을 모두 익힌 후에는 항상 포장을 시도하는 것이 좋습니다.
2. 어려운 문제는 해결하기 위해 도메인 별 지식이나 더 많은 데이터 또는 둘 다가 필요합니다. 피처 엔지니어링은 도메인 별 지식을 사용하여 ML 알고리즘을 돕는 것을 의미합니다. 그러나 데이터가 충분하고 복잡한 기능을 익히기 위해 해당 데이터를 활용할 수있는 알고리즘 (또는 접근 방식) 및이 알고리즘을 적용하는 전문가가있는 경우 때때로이 지식을 포기할 수 있습니다 (예 : Kaggle Merck challenge ). 또한 도메인 전문가가 좋은 기능이 무엇인지 잘못 판단하기도합니다. 더 많은 데이터와 ML 전문 지식이 항상 도움이됩니다.
3. 정확도가 아닌 오류율을 고려하십시오. 정확도가 99 % 인 ML 방법은 정확도가 98 % 인 오류의 절반을 만듭니다. 때로는 이것이 중요합니다.

답변