Q:
Hvordan gjelder Occam's barberhøvel ved maskinlæring?
EN:Bruken av Occam's barberhøvel stammer fra William of Ockham på 1200-tallet - det er ideen om at den enkleste og mest direkte løsningen bør foretrekkes, eller at med forskjellige hypoteser, vil den enkleste eller den med færste antagelser bli best brukt.
Occams barberhøvel har imidlertid også noen moderne applikasjoner for avanserte teknologier - ett eksempel er anvendelsen av prinsippet på maskinlæring. Med maskinlæring jobber ingeniører for å trene datamaskiner på sett med treningsdata, for å gjøre dem i stand til å lære og gå utover grensene for deres opprinnelige codebase-programmering. Maskinlæring innebærer implementering av algoritmer, datastrukturer og treningssystemer til datamaskiner, slik at de kan lære på egenhånd og gi utviklende resultater.
Med det i bakhodet føler noen eksperter at Occam-høvelen kan være nyttig og lærerik i utformingen av maskinlæringsprosjekter. Noen hevder at Occam's barberhøvel kan hjelpe ingeniører til å velge den beste algoritmen som skal brukes på et prosjekt, og også hjelpe med å bestemme hvordan de skal trene et program med den valgte algoritmen. En tolkning av Occams barberhøvel er at gitt mer enn en passende algoritme med sammenlignbare avveininger, bør den som er minst komplisert å distribuere og enklest å tolke, brukes.
Andre påpeker at forenklingsprosedyrer som funksjonsvalg og dimensjonalitetsreduksjon også er eksempler på bruk av Occams barberbladprinsipp - for å forenkle modeller for å få bedre resultater. På den annen side beskriver andre modeller avveininger der ingeniører reduserer kompleksiteten på bekostning av nøyaktighet - men fremdeles hevder at denne Occam-barbermaskintilnærmingen kan være fordelaktig.
En annen anvendelse av Occam's barberhøvel involverer parametrene som er satt for visse typer maskinlæring, for eksempel Bayesian-logikk i teknologier. Når ingeniører begrenset settet med parametere for et prosjekt, kan det sies at ingeniører "bruker Occams høvel" for å forenkle modellen. Et annet argument går at når kreative mennesker brainstormer for hvordan de skal vurdere brukssaken for virksomheten og begrense omfanget av et prosjekt før de bruker algoritmer, bruker de Occams barberhøvel til å pusse ned kompleksiteten i prosjektet helt fra begynnelsen.
Nok en populær anvendelse av Occams barberhøvel på maskinlæring innebærer "forbannelse av altfor komplekse systemer." Dette argumentet går ut på at å skape en mer intrikat og detaljert modell kan gjøre den modellen skjør og uhåndterlig. Det er et problem som kalles overinnredning der modeller er laget for kompliserte til å virkelig passe til dataene som undersøkes og brukssaken for disse dataene. Dette er et annet eksempel der noen kan sitere Occams høvel i bevisst design av maskinlæringssystemer, for å sikre at de ikke lider av overkompleksitet og stivhet.
På den annen side påpeker noen at det å bruke Occam-høvelen feil kan redusere effektiviteten av programmering av maskinlæring. I noen tilfeller kan kompleksitet være nødvendig og fordelaktig. Det hele har å gjøre med å undersøke det aktuelle prosjektomfanget og hva som må skaffes, og se på innspillene, opplæringssettene og parametrene for å anvende de mest målrettede løsningene for det gitte resultatet.
