預(yù)測知識 | 機(jī)器學(xué)習(xí)預(yù)測模型局限性

問題描述

• 數(shù)據(jù)基礎(chǔ)設(shè)施：要構(gòu)建模型，必須有數(shù)據(jù)，且有多來源的大數(shù)據(jù)。這一切都離不開數(shù)據(jù)基礎(chǔ)設(shè)施的建設(shè)和發(fā)展。

• 錯誤數(shù)據(jù)輸入：數(shù)據(jù)質(zhì)量是任何分析的基石，如果數(shù)據(jù)的數(shù)據(jù)質(zhì)量很差甚至錯誤，那么得到的結(jié)果也將是不可靠或錯誤的，正所謂garbage in，garbage out！因此，高質(zhì)量數(shù)據(jù)來源是人工智能研究的基礎(chǔ)。

• 數(shù)據(jù)漂移：這指的是用來決策的數(shù)據(jù)和模型訓(xùn)練的數(shù)據(jù)存在很大差異?？上攵@種情況下模型性能勢必不佳。數(shù)據(jù)飄移包括如下幾種，1）協(xié)變量漂移，指的是預(yù)測因素在兩個數(shù)據(jù)集上分布差異很大；2）先驗概率漂移，指的是兩個數(shù)據(jù)集上結(jié)局發(fā)生率不同；3）概念漂移，指的是協(xié)變量和結(jié)局之間的關(guān)系隨時間而變化。因此，要使構(gòu)建的模型好，一定要解決數(shù)據(jù)漂移問題，這也是為什么研究論文中，需要開展訓(xùn)練集和測試集比較的原因所在（備注：期望結(jié)果是，訓(xùn)練集和測試集不存在差異）。

• 缺乏外部驗證：目前研究文獻(xiàn)中所構(gòu)建的預(yù)測模型，絕大多數(shù)僅做了內(nèi)部驗證，而缺乏有效的外部驗證。原因很簡單，數(shù)據(jù)比較難獲取罷了。但是外部驗證這個東西，也是一個相對寬泛的概念，其包括了同一個隊列非同一時段的時間外部驗證，也包括不同隊列來源的驗證。所以，在數(shù)據(jù)有限時，不妨試試時間外部驗證。

• 有限的泛化能力：泛化能力指的是模型在應(yīng)用到新數(shù)據(jù)集時的表現(xiàn)。盡管現(xiàn)在很多文獻(xiàn)，包括頂刊發(fā)表的模型，其報告的性能很高，但是泛化能力卻不得而知。尤其是模型構(gòu)建時，受限于研究數(shù)據(jù)，其僅代表了當(dāng)時背景下的人群特征，一旦泛化到更一般人群時，其模型預(yù)測效果可能大打折扣。

• 模型黑盒問題：當(dāng)下算力越來越快，模型越來越復(fù)雜。在人工智能研究中，你可能很難找到類似線性回歸、決策樹這種易于理解的小而簡的模型了。事實上正是如此，越來越多研究追求大而復(fù)雜的模型，旨在提高預(yù)測效果。但是，一個不可避免的問題就是，模型可解釋性很差。關(guān)于如何解決該問題，也衍生出一門學(xué)問，即可解釋性機(jī)器學(xué)習(xí)。

未來發(fā)展

機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的重要分支，在未來發(fā)展方面有許多潛力和趨勢。

• 深度學(xué)習(xí)的進(jìn)一步發(fā)展：深度學(xué)習(xí)已經(jīng)在圖像識別、語音識別、自然語言處理等領(lǐng)域取得了巨大成功。未來，深度學(xué)習(xí)模型的架構(gòu)和算法可能會進(jìn)一步改進(jìn)，以提高模型的性能和效率。

• 遷移學(xué)習(xí)和增強(qiáng)學(xué)習(xí)的應(yīng)用擴(kuò)展：遷移學(xué)習(xí)和增強(qiáng)學(xué)習(xí)是機(jī)器學(xué)習(xí)中的重要技術(shù)，用于在不同任務(wù)和環(huán)境中進(jìn)行知識遷移和決策優(yōu)化。未來，這些技術(shù)可能會在更廣泛的應(yīng)用領(lǐng)域得到應(yīng)用，例如自動駕駛、智能機(jī)器人等。

• 解釋性機(jī)器學(xué)習(xí)和可解釋性人工智能：隨著機(jī)器學(xué)習(xí)模型的復(fù)雜性增加，解釋性機(jī)器學(xué)習(xí)和可解釋性人工智能變得越來越重要。未來，研究人員可能會更加關(guān)注如何解釋和理解機(jī)器學(xué)習(xí)模型的決策過程，以及如何提高模型的可解釋性和可信度。

• 自動化機(jī)器學(xué)習(xí)：自動化機(jī)器學(xué)習(xí)旨在簡化機(jī)器學(xué)習(xí)的流程，使非專業(yè)人士也能夠輕松應(yīng)用機(jī)器學(xué)習(xí)技術(shù)。未來，自動化機(jī)器學(xué)習(xí)工具和平臺可能會進(jìn)一步發(fā)展，提供更智能、高效的模型選擇、特征工程和超參數(shù)調(diào)優(yōu)等功能。

• 聯(lián)邦學(xué)習(xí)和隱私保護(hù)：聯(lián)邦學(xué)習(xí)是一種分布式學(xué)習(xí)方法，可以在保護(hù)數(shù)據(jù)隱私的同時進(jìn)行模型訓(xùn)練與更新。隨著對數(shù)據(jù)隱私的關(guān)注增加，聯(lián)邦學(xué)習(xí)和隱私保護(hù)技術(shù)可能會在未來得到更廣泛的應(yīng)用。

• 結(jié)合領(lǐng)域知識的機(jī)器學(xué)習(xí)：結(jié)合領(lǐng)域知識和機(jī)器學(xué)習(xí)技術(shù)可以提高模型的性能和魯棒性。未來，研究人員可能會更加關(guān)注如何將領(lǐng)域知識融入到機(jī)器學(xué)習(xí)模型中，以提高模型的學(xué)習(xí)能力和泛化能力。

• 可持續(xù)性和公平性的機(jī)器學(xué)習(xí)：可持續(xù)性和公平性是未來機(jī)器學(xué)習(xí)發(fā)展中的重要議題。研究人員和從業(yè)者可能會更加關(guān)注如何構(gòu)建可持續(xù)和公平的機(jī)器學(xué)習(xí)模型，避免模型的偏見和歧視。

需要注意的是，以上只是一些可能的未來發(fā)展方向，隨著科技的不斷進(jìn)步和應(yīng)用需求的變化，機(jī)器學(xué)習(xí)的發(fā)展將是一個不斷演化和創(chuàng)新的過程

參考資料

[1] Reference: Development and validation of predictive models for unplanned hospitalization in the Basque Country: analyzing the variability of non-deterministic algorithms文章來源地址http://www.zghlxwxcb.cn/news/detail-645032.html

到了這里，關(guān)于預(yù)測知識 | 機(jī)器學(xué)習(xí)預(yù)測模型局限性的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！