मैं एक ऑनलाइन वेब-आधारित मशीन लर्निंग सिस्टम बनाना चाहता हूं, जहां उपयोगकर्ता लगातार वर्गीकृत नमूने जोड़ सकते हैं, और मॉडल को ऑनलाइन अपडेट कर सकते हैं। मैं एक अवधारणात्मक या समान ऑनलाइन-लर्निंग एल्गोरिथम का उपयोग करना चाहूंगा।
लेकिन, उपयोगकर्ता गलतियाँ कर सकते हैं और अप्रासंगिक उदाहरण डाल सकते हैं। उस स्थिति में, मैं एक विशिष्ट उदाहरण को हटाने का विकल्प रखना चाहूंगा, बिना उदाहरण के पूरे सेट पर अवधारणात्मक का पुन: प्रशिक्षण (जो बहुत बड़ा हो सकता है)।
क्या यह संभव है?
बहुत दिलचस्प विचार। क्या आपने इसे औपचारिक रूप देने का प्रयास किया है?
—
स्ट्रिन
आपके अवधारणात्मक मॉडल और आपके क्लासिफायर की बारीकियों को देखते हुए, क्या होता है जब आप एक सही वर्गीकरण के साथ उदाहरण को फिर से सम्मिलित करते हैं? क्या यह गलत आंतरिक-परत न्यूरॉन्स पर वजन कम नहीं करता है और सही आंतरिक-परत न्यूरॉन्स पर वजन बढ़ाता है?
—
भटकना तर्क
नमूना फिर से डालने से किसी तरह से मदद मिल सकती है, हालाँकि, मुझे यकीन नहीं है कि इस मामले में पेरीसेप्ट्रॉन की शुद्धता और अभिसरण प्रमाण मौजूद होंगे (यानी मुझे यकीन नहीं है कि परिणाम उस स्थिति के समान होंगे जहां गलत नमूना है पहली जगह में नहीं डाला गया है)।
—
ईगल सहगल-हलेवी
एक भोले समाधान के रूप में, आप प्रत्येक नए नमूने को जोड़ने से पहले परसेप्ट्रॉन के वजन का रिकॉर्ड रख सकते हैं। फिर, जब आप एक नमूने को खत्म करना चाहते हैं, (") ने" खराब "उदाहरण को जोड़ने से पहले अपने मूल्यों को पेरीसेप्ट्रॉन के वजन को निर्धारित किया, और" खराब "एक के बाद जोड़े गए सभी वैध उदाहरणों के साथ रिसेप्ट्रॉन को फिर से प्रशिक्षित करें। इसमें कुछ पुन: प्रशिक्षण शामिल होगा, लेकिन उदाहरणों के पूरे सेट पर नहीं। बेशक, आपको उदाहरणों और उनके संबंधित भारों के रिकॉर्ड भी बनाए रखने होंगे।
—
rphv