，比如说，在机器学习里，有一个结论，无偏的学习机器是没有用的，也
就是你要学习，必须要有bias（偏置
---
AI：

说“无偏的学习机器是没有用的”是有些误导性的，甚至可以说是错误的。让我们来分解一下：
无偏的学习机器：在机器学习中，如果模型是“无偏”的，意味着它的预测在统计上不偏离真实值。这是理想的情况，意味着模型在平均上能够很好地捕捉数据中的真实模式。
模型的有用性：一个“无偏”的模型并不是“没有用的”，相反，它通常是非常有用的。无偏模型的目标是准确地反映数据中的规律，而不是在某些特定方向上系统性地出错。

但是，值得注意的是，完全无偏的模型在现实中几乎不可能达到，因为所有的模型都基于某些假设，这些假设可能导致一定程度的偏差。此外，无偏的模型如果伴随着高方差，可能会对数据的波动过于敏感，从而在测试数据上表现不佳。

在实际应用中，模型通常会在偏差和方差之间进行权衡，目标是找到一个“可接受的”偏差水平，同时保持较低的方差。这种权衡使得模型既不过于简单（高偏差），也不过于复杂（高方差），从而能够在新数据上表现良好。

结论：无偏的模型并不是“没有用的”，而是非常理想的目标。然而，实际应用中，少量的偏差可能是为了降低方差所做出的妥协，以获得更好的总体性能。


【 在 snowfields 的大作中提到: 】
: 【 以下文字转载自 Bull 讨论区 】
: 发信人: hut (浮尘落尽), 信区: Bull
: 标  题: 科学、可证伪性与精神分析
: ...................
--
FROM 24.203.11.*