监督学习是指:利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。

VIP内容

题目: A Loss-Function for Causal Machine-Learning

摘要:

因果机器学习是关于预测处理的净效果(真实提升)。根据治疗组和对照组的数据,它类似于一个标准的监督学习问题。不幸的是,由于数据中缺少点对点的真值,所以没有类似定义良好的丢失函数。由于这种损失函数的缺失,许多现代机器学习的进步并不是直接适用的。我们提出了一种定义损失函数的新方法,它等于标准回归问题中的均方误差。我们的损失函数是普遍适用的,因此提供了一个通用的标准来评估任何模型/策略的质量,预测真实上升。我们证明,尽管它的定义很新颖,人们仍然可以直接对这个损失函数进行梯度下降来找到最合适的。这导致了一种新的方法来训练任何基于参数的模型,例如深度神经网络,来解决因果机器学习问题,而不需要通过元学习者策略。

成为VIP会员查看完整内容
2+
0+
更多VIP内容
子主题
Top