در صورت کم بودن داده های آموزشی بعلت پوشانده نشدن تمام فضای جستجوی مسئله توسط داده ها آموزشی ؛ generalization که عمومیت دهی فکر کنم ترجمه میشه کمرنگ میشه یعنی نمیتونی بگی که مسئله برای داده هایی که ندیده هم درست جواب میده.(در واقع احتمال اشتباه زیادتر میشه)
با اضافه شدن ابعاد مسئله ؛ تعداد داده های آموزشی باید بطور نمایی زیاد بشه . مثلا وقتی شما یه مسئله یکبعدی داری که ورودی بین اعداد -10 و 10 (برای سادگی اعداد صحیح رو در نظر میگیریم) رو با 5 داده ؛ آموزش میدی تقریبا 5/20 =0.25 فضای مسئله رو پوشش دادی؛ حالا اگه همین مسئله بشه دو بعدی و شما تعداد داه های آموزشی رو هم دو برابر کنی اونوقت(20*20)/(2*5) = 0.025 فضای مسئله رو پوشش دادین
دیدگاه