Teorema tidak ada makan siang gratis: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
kTidak ada ringkasan suntingan |
|||
Baris 40:
Teorema NFL secara eksplisit ''bukan'' berdasarkan pertanyaan terkait apa yang dapat '''diinferensikan''' (dalam kasus NFL untuk pemelajaran mesin) atau '''ditemukan''' (dalam kasus NFL untuk pencarian) ketika "lingkungan (''environment'')-nya seragam acak". Sebaliknya, keacakaan yang seragam tersebut digunakan sebagai alat untuk membandingkan jumlah lingkungan yang algoritma A mengungguli algoritma B dengan jumlah lingkungan yang algoritma B mengungguli algoritma A. NFL menunjukkan bahwa (dengan bobot yang sesuai){{Butuh klarifikasi|date=May 2018}}, jumlah lingkungan di kedua himpunan tersebut sama banyaknya yang berarti bahwa kedua algoritma memiliki peluang yang sama untuk unggul di lingkungan yang berbeda-beda.
Hal ini berlaku untuk banyak definisi tentang apa sebenarnya makna dari suatu “lingkungan”. Secara khusus, terdapat banyak distribusi prior (dengan bobot yang sesuai) yang algoritma pemelajaran A mengalahkan B (dalam rata-rata) dan sebaliknya.{{
Meskipun NFL memiliki signifikansi dalam memahami batasan fundamental suatu himpunan masalah, tetapi NFL tidak menyediakan informasi tentang setiap contoh masalah yang mungkin muncul dalam implementasinya. NFL hanya menyatakan apa yang tercakup dalam pernyataan matematisnya tanpa tambahan. Sebagai contoh, konsep ini berlaku pada situasi yang algoritma telah ditetapkan sebelumnya dan kemudian dipilih masalah yang algoritma tersebut terburuk dalam pengerjaannya. Oleh karena itu, jika terdapat masalah yang "baik" dalam konteks praktis, atau jika dapat dipilih algoritma pemelajaran yang "baik" untuk suatu masalah tertentu, maka NFL tidak memberikan batasan spesifik terhadap masalah tersebut. Meskipun NFL mungkin terlihat bertentangan dengan hasil dari penelitian lain yang mendorong generalisasi dari algoritma pemelajaran atau heuristik pencarian, penting untuk memahami perbedaan antara logika matematis yang tepat dari NFL dan interpretasinya secara intuitif.<ref name="KA-deep">Kawaguchi, K., Kaelbling, L.P, and Bengio, Y.(2017) "Generalization in deep learning", https://arxiv.org/abs/1710.05468</ref>
|