مقاله

از چالشهایی که معمولا در تمامی رشته ها وجود دارد، استفاده از کلمه یکسان در جاهای متفاوت است. در یادگیری یکی از این کلمات که بسیار دیده می شود، کلمه بایاس است. در ادامه سعی می کنیم کاربردهای متفاوتش را توضیح دهیم:

• وقتی که از یک estimator استفاده می کنید، این تخمین زننده می تواند بایاس شود. اینجا بایاس شدن به معنی این است که امید تخمین متفاوت از چیزی است که در واقعیت population واقعی دارد.

• اگر مدل بایاس شود به این معنی است که مدل یادگیری مناسبی نداشته و underfit شده است.

• دیتاست اگر بایاس داشته باشد به این معنی است که در دیتای شما گونه ای جهت گیری وجود دارد؛ برای مثال، اگر فرض شود که دادگان مستقل جمع آوری شده اند ولی اینطور نباشد، پس داده ها بایاس دارند.

• بایاس می تواند به معنی intercept term باشد. شما اگر در معادله hyper plane، معادله خط را فرض کنید، عرض از مبدا نداشته باشید، همواره از مرکز عبور می کنید. با کمک عرض از مبدا است که می توانید چیزهای متنوع یاد بگیرید و از مرکز دور شوید.