Bias: Every classifier makes its ow

Bias: Every classifier makes its own modeling assumptions about the nature of the decision boundary between classes. For example, a linear SVM classifier assumes that the two classes may be separated by a linear decision boundary. This is, of course, not true in practice. For example, in Fig. 11.5a, the decision boundary between the different classes is clearly not linear. The correct decision boundary is shown by the solid line. Therefore, no (linear) SVM classifier can classify all the possible test instances correctly even if the best possible SVM model is constructed with a very large training data set. Although the SVM classifier in Fig. 11.5a seems to be the best possible
approximation, it obviously cannot match the correct decision boundary and therefore has an inherent error. In other words, any given linear SVM model will have an inherent bias. When a classifier has high bias, it will make consistently incorrect predictions over particular choices of test instances near the incorrectly modeled decision-boundary, even when different samples of the training data are used for the learning process.

Kết quả (Việt) 1:

Thiên vị: Mỗi loại làm cho mô hình giả định về bản chất của ranh giới quyết định giữa các lớp học riêng của mình. Ví dụ, một loại SVM tuyến tính giả định rằng hai lớp học có thể được tách ra bởi một ranh giới tuyến tính quyết định. Đây là, tất nhiên, không đúng sự thật trong thực tế. Ví dụ, trong hình 11.5a, ranh giới quyết định giữa các lớp học khác nhau rõ ràng là không tuyến tính. Ranh giới quyết định chính xác được thể hiện bằng các dòng rắn. Do đó, không có loại SVM (tuyến tính) có thể phân loại tất cả các trường hợp có thể thử nghiệm một cách chính xác ngay cả khi mô hình SVM tốt nhất có thể được xây dựng với một tập hợp dữ liệu rất lớn đào tạo. Mặc dù loại SVM hình 11.5a có vẻ là tốt nhất có thểxấp xỉ, nó rõ ràng là không thể phù hợp với ranh giới quyết định đúng và do đó có lỗi vốn có. Nói cách khác, bất kỳ mô hình SVM tuyến tính nhất định sẽ có một thiên vị vốn có. Khi một loại có thiên vị cao, nó sẽ làm cho dự đoán một cách nhất quán không chính xác hơn sự lựa chọn cụ thể của trường hợp thử nghiệm gần quyết định không chính xác modeled-biên giới, ngay cả khi các mẫu khác nhau của dữ liệu đào tạo được sử dụng cho quá trình học tập.

Kết quả (Việt) 2:

Bias: Mỗi phân loại các giả định mô hình riêng của mình về bản chất của các quyết định ranh giới giữa các lớp. Ví dụ, một phân lớp SVM tuyến tính giả định rằng hai lớp có thể tách bằng một ranh giới quyết định tuyến tính. Đây là, tất nhiên, không đúng sự thật trong thực tế. Ví dụ, trong hình. 11.5a, ranh giới quyết định giữa các lớp khác nhau rõ ràng là không tuyến tính. Ranh giới quyết định chính xác được thể hiện bởi các đường liền nét. Vì vậy, không có (tuyến tính) SVM phân loại có thể phân loại tất cả các trường hợp thử nghiệm có thể chính xác ngay cả khi các mô hình SVM tốt nhất có thể được xây dựng với một tập dữ liệu huấn luyện rất lớn. Mặc dù phân loại SVM trong hình. 11.5a dường như là tốt nhất có thể
xấp xỉ, nó rõ ràng là không thể phù hợp với ranh giới quyết định chính xác và do đó có một lỗi cố hữu. Nói cách khác, bất kỳ mô hình SVM tuyến tính nhất định sẽ có một thiên vị cố hữu. Khi một phân lớp có thiên vị cao, nó sẽ đưa ra dự đoán chính xác nhất quán trên các lựa chọn cụ thể các trường hợp thử nghiệm gần biên giới quyết định mô hình không chính xác, ngay cả khi các mẫu khác nhau của dữ liệu huấn luyện được sử dụng cho quá trình học tập.