Bir algılayıcı unutabilir mi?

Kullanıcıların sürekli olarak sınıflandırılmış örnekler ekleyebildiği ve modelin çevrimiçi olarak güncellenebileceği çevrimiçi web tabanlı bir makine öğrenme sistemi oluşturmak istiyorum. Bir algılayıcı veya benzer bir çevrimiçi öğrenme algoritması kullanmak istiyorum.

Ancak, kullanıcılar hata yapabilir ve alakasız örnekler ekleyebilir. Bu durumda, algılayıcıyı tüm örnekler kümesi üzerinde yeniden eğitmeden (çok büyük olabilir) belirli bir örneği silme seçeneğine sahip olmak istiyorum.

Mümkün mü?

Süreci anladığım kadarıyla, bir algıyı yeniden eğitmeden değiştirmek imkansız. Ağırlık ayarlamaları sadece bu belirli örneğe değil, aynı zamanda daha önce yapılmış olan diğer eğitim örneklerine de göredir. Yanlış sınıflandırılmış örneği tanımlamak ve modeli yeniden eğitmeden önce test kümesinden kaldırmak, ağırlıkları düzeltmenin en etkili yolu gibi görünmektedir.

Sanırım diğer makine öğrenme algoritmalarına kıyasla , algılayıcıların gürültü ve eğitim setindeki yanlış sınıflandırılmış örneklere nispeten dirençli olduğunu belirtmek gerekir . Çok sayıda yanlış sınıflandırılmış örnekle karşılaşıyorsanız, eğitimden önce verileri aldığınız noktada, algılayıcı eğitildikten sonra yanlış sınıflandırılmış örnekleri düzeltmenin bir yolunu bulmaktan daha iyi bir doğrulama yapmak daha ihtiyatlı görünecektir. Bu mümkün değilse ve yanlış sınıflandırılmış örnekleri bu şekilde tanımlayabiliyorsanız, bunları kaldırmak ve yeniden eğitmek, yanlış sınıflandırılan örneklerin etkisini etkili bir şekilde kaldırmanın tek yolu gibi görünebilir.