No Free Lunch Theorem
Diese Seite wurde seit 1 Jahr inhaltlich nicht mehr aktualisiert.
Unter Umständen ist sie nicht mehr aktuell.
Definitionen
Im Leben gibt es wenig gratis und erst recht kein
kostenloses Mittagessen – No Free Lunch im Englischen.
In diesem Fall bedeutet dies, dass wir nicht wissen, welcher
Algorithmus für ein konkretes Problem am besten
ist, wenn wir kein Vorwissen über das Problem oder die Daten haben. Diese Aussage wird in der Literatur als
No Free Lunch Theorem bezeichnet. Der Begriff Theorem
kommt aus der Mathematik und bezeichnet eine Aussage,
die jemand bewiesen hat – von der man also sicher
weiß, dass sie richtig ist.
Von Maike Elisa Müller im Buch Wie Maschinen lernen (2019) im Text No Free Lunch Theorem Bemerkungen
Im
maschinellen Lernen heißt das: Irgendjemand muss sich
die Mühe machen, den richtigen Algorithmus für das
gegebene Problem zu finden oder zu entwickeln. Es gibt
nicht einen Algorithmus, der immer mehr kann als andere
Algorithmen. Diese Aussage wurde bereits 1996 von dem
amerikanischen Mathematiker und Informatiker David
Wolpert in Bezug auf das maschinelle Lernen bewiesen.
Von Maike Elisa Müller im Buch Wie Maschinen lernen (2019) im Text No Free Lunch Theorem Dementsprechend gibt es aber auch nicht den perfekten
Lernalgorithmus, der immer am besten funktioniert. Auch
die viel bejubelten neuronalen Netze (siehe Kap. 20) sind
nicht immer die Lösung aller Probleme. Jedes einzelne
Lernproblem muss separat gelöst werden und für jedes
Problem gibt es Algorithmen, die manchmal besser und
manchmal schlechter funktionieren – eben No Free Lunch.
Von Maike Elisa Müller im Buch Wie Maschinen lernen (2019) im Text No Free Lunch Theorem Was bedeutet dies jetzt für Anwender des maschinellen Lernens? In der Realität ist es oft so, dass man nicht nur einen Algorithmus ausprobiert, sondern mehrere! Eine erfahrene Maschinelles-Lernen-Spezialistin hat dennoch oft eine gute Idee davon, welcher Algorithmus gut funktionieren könnte, da sich einige Algorithmen gut für einige Probleme eignen (z. B. Faltungsnetze in der Bilderkennung). Oft ist es aber so, dass man erst mal ein wenig rumprobieren muss, bis man einen Algorithmus gefunden hat, der ein wenig besser funktioniert als die anderen. Beim überwachten Lernen ist es einfach zu entscheiden, welcher Algorithmus gute Ergebnisse liefert. Beim unüberwachten Lernen ist dies schwieriger, da man ja keine „richtigen“ Lösungen hat, sondern erst mal ein wenig interpretieren muss.
Von Maike Elisa Müller im Buch Wie Maschinen lernen (2019) im Text No Free Lunch Theorem Verwandte Objeke
Verwandte Begriffe (co-word occurance) |
Statistisches Begriffsnetz
Zitationsgraph
8 Erwähnungen
- Clever Algorithms - Nature-Inspired Programming Recipes (Jason Brownlee) (2011)
- Machine Learning with R (Brett Lantz) (2013)
- Digitale Diktatur - Totalüberwachung Datenmissbrauch Cyberkrieg (Thomas Ammann, Stefan Aust) (2014)
- The Master Algorithm - How the Quest for the Ultimate Learning Machine Will Remake Our World (Pedro Domingos) (2015)
- Data Science (John D. Kelleher, Brendan Tierney) (2018)
- Wie Maschinen lernen - Künstliche Intelligenz verständlich erklärt (Kristian Kersting, Christoph Lampert, Constantin Rothkopf) (2019)
- 5. Regression (Jannik Kossen, Maike Elisa Müller)
- 23. No Free Lunch Theorem (Maike Elisa Müller)
- The Myth Of Artificial Intelligence - Why Computers Can’t Think The Way We Do (Erik J. Larson) (2021)
Anderswo finden
Externe Links
http://www.no-free-lunch.org/ :www.no-free-lunch.org/ ( : 2021-03-21) |