Genel olarak hayır, ancak potansiyel olarak evet yanlış ifade altında. Aradığınız konu kabul edilebilirlik olarak adlandırılıyor. Hesaplamak için daha az riskli bir yol yoksa bir karar kabul edilebilir.
Tüm Bayes çözeltileri kabul edilebilir ve Bayes olmayan çözeltiler, her örnekte veya sınırda bir Bayes çözeltisi ile eşleştikleri ölçüde kabul edilebilir. Kabul edilebilir bir Frequentist veya Bayesian çözümü, kabul edilebilir olmadığı sürece her zaman bir ML çözümünü yenecektir. Bununla birlikte, bu ifadeyi doğru ama boş yapan bazı pratik açıklamalar var.
Birincisi, Bayesian seçeneğinin önceliği sizin gerçek önceliğiniz olmalı ve bir dergide bir editörü mutlu etmek için kullanılan bir önceki dağıtım değil. İkincisi, birçok Frequentist çözüm kabul edilemez ve standart çözüm yerine bir büzülme tahmincisi kullanılmalıdır. Bir çok insan Stein'in lemmasının ve bunun örnek dışı hataya etkisinin farkında değildir. Son olarak, ML birçok durumda yanlış yazım hatasına karşı biraz daha sağlam olabilir.
Karar ağaçlarına ve onların kuzenlerine ormanlara taşındığınızda, aynı zamanda bir Bayes ağına benzer bir şey kullanmadığınız sürece benzer bir metodoloji kullanmıyorsunuzdur. Bir grafik çözümü, içinde önemli miktarda örtülü bilgi, özellikle de yönlendirilmiş bir grafik içerir. Olasılıklı veya istatistiksel bir sürece her bilgi eklediğinizde, sonucun değişkenliğini azaltır ve kabul edilebilir olarak kabul edilecek şeyi değiştirirsiniz.
Makine öğrenmesine işlevler perspektifinden bakarsanız, bu sadece istatistiksel bir çözüm haline gelir, ancak çözümü izlenebilir hale getirmek için yaklaşık değerleri kullanır. Bayesian çözümleri için MCMC, birçok ML problemi için gradyan inişinde olduğu gibi inanılmaz miktarda zaman tasarrufu sağlar. Birçok ML problemine entegre etmek veya kaba kuvvet kullanmak için kesin bir posterior yapmak zorunda olsaydınız, güneş sistemi bir cevap almadan önce ısı ölümüyle ölmüş olurdu.
Tahminimce, istatistik veya uygunsuz istatistik kullananlar için yanlış tanımlanmış bir modeliniz var. Yeni doğanların uygun bir şekilde kundaklanmadığı takdirde pencereleri yüzdüğünü ve Bayes yönteminin Frequentist yöntemin katılımcıların parasını ikiye katlarken çokuluslu bir seçimde bu kadar radikal bir şekilde daha iyi performans gösterdiğini kanıtladığım bir ders verdim. . Şimdi ilkinde istatistikleri kötüye kullandım ve Frequentist tahmincinin ikincisinde kabul edilemezliğinden yararlandım, ancak saf bir istatistik kullanıcısı yaptığımı kolayca yapabilirdi. Örnekleri açıklığa kavuşturmak için onları aşırı yaptım, ama kesinlikle gerçek veriler kullandım.
Rasgele ormanlar tutarlı tahmin edicilerdir ve bazı Bayes süreçlerine benziyor gibi görünmektedir. Çekirdek tahmin edicileriyle bağlantı nedeniyle oldukça yakın olabilirler. Çözüm türleri arasında performansta önemli bir fark görürseniz, altta yatan problemde yanlış anladığınız bir şey vardır ve sorun herhangi bir önem taşıyorsa, farkın kaynağını da aramanız gerekir. tüm modellerin yanlış tanımlanması durumunda.