그라디언트 강하 최적화 방법을 사용한 새로운 데이터로부터 어떻게 배울 수 있습니까?

Question

궁극적으로 그래디언트 강하 최적화 방법을 사용하는 상황을 고려하십시오. 귀하의 훈련 세트에 맞는 가설을 성공적으로 작성했다고 가정 해보십시오. 시간이 흐른 후에 알고리즘은 점점 더 많은 새로운 데이터를받습니다.

질문 : 1)이 알고리즘은 계속 감독으로 간주 될 수 있습니까?

2) 그렇다면 새로운 데이터를 통해 반복적으로 반복하지 않고 새 데이터를 학습 할 수있는 방법이 있습니까?

Answer 1

귀하의 질문에 대한 일반적인 대답은이 기계 학습에 매우 광범위한 문제/문제이기 때문에, 당신은이 개 주제에 대한 연구를해야 없다 :

• 온라인 학습 -이 알고리즘의 가족/완전한 재 학습없이 새로운 데이터로부터 학습 할 수있는 모델. 그러한 모델 중 가장 단순한 모델은 순진한 베이지만, 심지어 SVM도 이런 식으로 훈련 될 수 있습니다.
• 개념 드리프트 - 새로운 데이터가 추가 될뿐만 아니라 오래된 데이터가 "잘못"될 수있는 경우 발생하는보다 진보 된 주제입니다 더 길게 실제, 참)

두 가지 문제에 대한 접근 방법은 수십 가지가 있습니다. (그래디언트 강하를 사용하는 것이 중요하지 않으며 정확한 모델이 무엇인지 중요하게 생각합니다.) 모든 것이 특정 데이터 세트에 따라 다릅니다. 및 응용 프로그램. 일반적으로 그래서

:

1. 문제가 완전히 고정 될 것 같으면, 아무것도 정말 시간에 따라 변화하지 않으며, 당신은
2. 이 문제가 될 것 같으면 새로운 데이터를 무시할 수, 결과에 만족 온라인 학습을 시도하십시오 (또는 특정 모델의 경우 불가능할 경우 전체 모델을 한 번 재 훈련하십시오)
3. 문제가 매우 역동적 인 것으로 보이는 경우 (예 : 큰 변동) - 개념 드리프트 솔루션 고려하기

그렇습니다. 개념 드리프트를 다루기 위해 사용되는 세미 - 감독되지 않은 알고리즘이 있지만 그래도 그것은 감독 된 학습입니다.