मशीन लर्निंग क्लासिफायर सबसे समानांतर हैं?

Question

मशीन लर्निंग क्लासिफायर सबसे समानांतर हैं? यदि आपके पास एक कठिन वर्गीकरण समस्या, सीमित समय है, लेकिन कंप्यूटर के एक सभ्य लैन के साथ काम करने के लिए, तो आप किस कक्षा में प्रयास करेंगे?

हाथ से ऐसा लग रहा है कि मुझे कुछ मानक क्लासिफायर के बारे में पता है जिन्हें मैं इस प्रकार बताता हूं लेकिन मैं पूरी तरह से गलत हो सकता हूं:

रैंडम फ़ॉरेस्ट - जब तक प्रत्येक मशीन सभी डेटा को धारण कर सकती है (यानी प्रति प्रशिक्षण डेटा को विभाजित नहीं कर सकती, लेकिन तब तक समानांतर नहीं हो सकती) बहुत समानांतर है।

बूस्टिंग -?

वेक्टर मशीन का समर्थन करें - बहुत समानांतर नहीं।

निर्णय पेड़ - भाग में विभाजित किया जा सकता है, लेकिन बहुत कुशलता से नहीं।

Comments

इस पोस्ट को अपडेट की आवश्यकता है। वर्तमान में डीएनएन एल्गोरिदम हैं जो समानांतर गणना से सबसे अधिक लाभ उठाते हैं। और बढ़ावा देने के शायद ही समानांतर हैं।

— TNM

Answer 1

[ एक कागज ], एसवीएम [ एक पेपर ] को बढ़ावा देने और यहां तक ​​कि पेड़ों [ एक पेपर ] को बढ़ावा देने सहित अधिकांश प्रसिद्ध क्लासिफायर को समानांतर करने का प्रयास किया गया है । बेशक, समानता को स्वीकार करते हुए, आप कभी-कभी अन्य पहलुओं पर हार जाते हैं, चाहे वह एल्गोरिथम कार्यान्वयन हो, नमूना जटिलता, या अन्य सामान्य संदिग्ध।

सिद्धांत अंत से, सवाल कठिन है क्योंकि जब आप सीखने के बारे में बात करते हैं तो आपको लक्ष्य फ़ंक्शन के बारे में सोचना पड़ता है। उदाहरण के लिए, हम पीएसी-सीखने योग्य होने के लिए निर्णय पेड़ों को भी नहीं जानते हैं, इसलिए यदि लक्ष्य (साथ ही विधि) एक निर्णय पेड़ है, तो हम अतिरिक्त पहलुओं को पेश किए बिना इसे (अभी तक) भी नहीं सीख सकते हैं। मुसीबत। बूस्टिंग के आसपास एक कमजोर सीखने की स्थिति, एसवीएम एक मार्जिन, आदि मुझे लगता है कि मुझे लगता है कि उन मान्यताओं को समानांतर केस में स्थानांतरित कर दिया जाता है ताकि आप पीएसी को सीख दे सकें।

लेकिन हमेशा की तरह, सिद्धांत और अभ्यास के सीमाओं (और इस तरह की चिंताओं) के बीच एक बड़ा अंतर है। उदाहरण के लिए, व्यवहार में, यह मायने रखता है कि समानता कोर या गुच्छों के ऊपर है। विशेष रूप से बड़े-डेटा सेटिंग्स में व्यावहारिक उपयोग के लिए विकसित एक एल्गोरिथ्म VW है , और यह समानता का समर्थन करना शुरू कर रहा है। आप व्यावहारिक समानांतर सीखने पर NIPS 2010 कार्यशाला में कागजात में रुचि हो सकती है ।