Beats Biblionetz - Begriffe

/ en / Traditional / help

No Free Lunch Theorem

Dieses Biblionetz-Objekt existiert erst seit Dezember 2019. Es ist deshalb gut möglich, dass viele der eigentlich vorhandenen Vernetzungen zu älteren Biblionetz-Objekten bisher nicht erstellt wurden. Somit kann es sein, dass diese Seite sehr lückenhaft ist.

iconDefinitionen

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

iconBemerkungen

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

iconVerwandte Objeke

icon
Verwandte Begriffe
(Cozitation)
Perceptron

iconStatistisches Begriffsnetz  Dies ist eine graphische Darstellung derjenigen Begriffe, die häufig gleichzeitig mit dem Hauptbegriff erwähnt werden (Cozitation).

iconZitationsgraph

Diese Grafik fensterfüllend anzeigen als Pixelgrafik (PNG) Vektorgrafik (SVG)

iconErwähnungen  Dies ist eine nach Erscheinungsjahr geordnete Liste aller im Biblionetz vorhandenen Werke, die das ausgewählte Thema behandeln.

iconAnderswo finden

iconExterne Links

Auf dem WWW http://www.no-free-lunch.org/ :www.no-free-lunch.org/ ( WWW: Link OK )

iconAnderswo suchen  Auch im Biblionetz finden Sie nicht alles. Aus diesem Grund bietet das Biblionetz bereits ausgefüllte Suchformulare für verschiedene Suchdienste an. Biblionetztreffer werden dabei ausgeschlossen.

iconBiblionetz-History Dies ist eine graphische Darstellung, wann wie viele Verweise von und zu diesem Objekt ins Biblionetz eingetragen wurden und wie oft die Seite abgerufen wurde.