El concepto más importante es sin duda la compensación sesgo-varianza.
Qué significa eso? Para aprender de algunos puntos de datos necesitamos hacer algunas suposiciones, por ejemplo, todo lo que se mueve rápido es peligroso. Esto te permitirá aprender y decidir rápido, pero también te hará cometer varios errores, por ejemplo, un pequeño pájaro que pasa rápido no es peligroso. Este es el sesgo, cometes algunos errores porque hiciste algunas suposiciones erróneas.
Por otro lado, puedes decir que no generalizaré nada y solo memorizaré las propiedades de lo que veo. Por ejemplo pequeño pájaro seguro, león no seguro. Aquí no tienes ningún sesgo, pero tienes mucha variación porque lo que sabes depende mucho de lo que has visto.
En el primer caso, las conclusiones no dependían mucho de lo que había visto y, por lo tanto, tiene una varianza baja.
- ¿Qué tipo de actividades de aprendizaje son buenas para la clase de ESL para adultos?
- ¿Cuáles son algunos podcasts útiles para aprender sobre el dinero y los negocios?
- ¿Cuánto ayuda Duolingo a dominar el hablar un nuevo idioma si ha terminado la mayoría?
- ¿Desde dónde debo empezar a aprender estudios de cine?
- ¿Cuáles son los mejores pasatiempos / cosas para los 3 meses de vacaciones de verano que te hacen sentir mejor?
Siempre tendremos que hacer una compensación entre hacer suposiciones para aprender rápidamente con conclusiones estables pero con errores, y asumir menos, pero aprender más lento con conclusiones menos estables.
Las suposiciones pueden tomar diferentes formas, por ejemplo, la forma de la función, las características del animal a observar, …
La mayoría de los otros conceptos en aprendizaje automático provienen de variantes de esto.
Vea otra pregunta sobre el tema, algunas de ellas con respuestas ya muy buenas y más técnicas.
¿Cuál es la mejor manera de explicar la compensación de sesgo-variación en términos sencillos?
Algunas cosas útiles que debe saber sobre el aprendizaje automático por Pedro Domingos