BriefGPT - AI 论文速递
·
监督学习问题的几何性质和稳定性
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了风险距离的概念，用于量化监督学习问题中的采样偏差、噪声、有限数据和近似等问题的严重性。通过建立距离，探索了监督学习问题空间的几何特征，并提供了两个 Risk 距离的变种。
🎯
关键要点
- 引入风险距离的概念，用于量化监督学习中的采样偏差、噪声、有限数据和近似问题的严重性。
- 通过建立风险距离，探索监督学习问题空间的几何特征。
- 提供了明确的测地线，并证明分类问题集合在更大类别的问题中是稠密的。
- 提出了两个风险距离的变种：一个是对预测者加入指定权重，另一个是对风险景观更为敏感。
➡️
