การเรียนรู้ของเครื่อง: ความสำคัญของลักษณะทั่วไป

ในบริบทของแมชชีนเลิร์นนิง "ไม่ครอบคลุม" หมายถึงโมเดลที่ไม่ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลที่หลากหลาย โมเดลทั่วไปคือโมเดลที่สามารถรองรับอินพุตได้หลากหลาย และสร้างการคาดการณ์ที่แม่นยำสำหรับข้อมูลใหม่ที่มองไม่เห็น ในทางกลับกัน โมเดลที่ไม่เป็นแบบทั่วไปอาจทำงานได้ดีกับข้อมูลเฉพาะที่ได้รับการฝึกเท่านั้น และอาจสรุปได้ไม่ดีนักกับข้อมูลใหม่ ตัวอย่างเช่น หากคุณฝึกโมเดลการเรียนรู้ของเครื่องบนชุดข้อมูลที่ประกอบด้วยตัวอย่างจากชุดข้อมูลเดียวเท่านั้น โดเมนเฉพาะ (เช่น รูปภาพแมว) โมเดลอาจเหมาะสมกับโดเมนนั้นมากเกินไป และไม่สามารถสรุปกับตัวอย่างใหม่จากโดเมนที่ต่างกัน (เช่น สุนัข) ในกรณีนี้ กล่าวกันว่าแบบจำลองนี้ไม่เป็นแบบทั่วไปเนื่องจากไม่ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลที่หลากหลาย

เพื่อหลีกเลี่ยงการติดตั้งมากเกินไปและปรับปรุงลักษณะทั่วไปของแบบจำลองการเรียนรู้ของเครื่อง สิ่งสำคัญคือต้องใช้ชุดข้อมูลการฝึกอบรมที่หลากหลายที่แสดงถึง อินพุตและเอาต์พุตที่หลากหลาย สิ่งนี้สามารถช่วยให้โมเดลเรียนรู้คุณลักษณะและรูปแบบทั่วไปที่สามารถนำไปใช้กับข้อมูลใหม่ที่มองไม่เห็นได้