Опасно ли носить контактные линзы: вся правда от эксперта 
Мама навестила сына в тюрьме 
Время собак 
Что будет, если каждое утро употреблять оливковое масло? 
Лучший Ося шлёт жителям нищепанка привет из досмартфонной эпохи 
1990. Майк Голдуотер в Москве. Часть 1 =Реклама= В СССР, как мы помним, секса не было. Как не было там и стриптиза. Всё это появилось на нашей земле сравнительно недавно — и некоторые граждане до сих пор не поняли разницу. В начале ноября в районе метро «Таганская» (а точней — по адресу Марксистская 34 стр. 10 ) откры ...
Воспроизводимость
n0mad_0 — 03.08.2010
Что-то меня начинает злить проблема воспроизводимости в machine
learning -комьюнити.Вот казалось бы статья. Парни подробно описали все алгоритмы, указали их параметры. Использовали открытые датасеты.
Но! Но не рассказали каким образом делали разбиение на тестовую и обучающую выборку (или как делали cross-validation) на 1м из датасетов.
В результате у меня все отлично работает, но результаты отличаются от приведенных в статье на 10%. Вот теперь думаю - это баг в тщательно вылизанном коде или разный подход к оценке?
Для достижения счастья имхо нужно делать так:
0. Использовать открытые датасеты, лучше сразу поделенные на learning/validation части.
Иногда, правда, все равно
понадобится резать кусочки (например, для настройки параметров
обучения). Так как самостоятельное распространение данных обычно
запрещено, авторы статей должны выкладывать скрипты разбиения
датасета на части. Работа скриптов должна быть детерминирована.
Например, остаток от деления хешфункции номера строчки на константу
или же "рандомизатор" с seed и пр.
1. В дополнение к статье нужно выкладывать код.Конечно, это усложняет жизнь
авторам. Зато среди плюсов (1) если код хороший, его будут
использовать, ссылаться и пр (2) поможет победить проблему
воспроизводимости (3) людям будет проще продолжать вашу работу. В
конце концов исходный код - это такое же описание алгоритмов,
только более полное.
2. Естественно, все подробно описывать =)Правда, сразу же видны и проблемы:
1. Все это неприменимо к публикациям результатов, полученных в промышленных компаниях, так как не на все задачи есть открытые данные, а про открытие кода вообще молчу.
2. Качество кода все равно может быть таким, что ой-вей, лучше бы не показывали =) а значит, никто так и не заглянет.
Вообще говоря, стоит разделять воспроизводимость, повторимость и сравнимость. В идеале, работа по факту должна обладать всеми этими признаками. Следование пункту (0) обеспечивает сравнимость, (1) - повторимость. (0..2) - воспроизводимость.
(разного родаTREC/LETOR/IMAT/Netflix_Prize/mlcomp.org тоже обеспечивают сравнимость результатов внутри себя).
В общем, для себя я решил выкладывать код по возможности. А что об этом думает общественность? У вас есть такие проблемы? Как вы их решаете?
Ссылка с обсуждением по теме: Daniel Lemire blog
UPD. Из обсуждения по ссылке.
I have reviewed papers with open data. It was great, I ran some
stats and proved to myself that their stats were at least correct,
I even found a mistake in one of their p-values where they made an
erroneous decision on the border (it didn’t affect the rest of the
paper).
Может быть, есть еще не упомянутые мною бонусы =)
Сохранено
|
|
</> |
Оставить комментарий
Популярные посты:
Архив записей в блогах:
Профессия буровик появилась не вчера. Ещё Конфуций в своих работах, написанных в 600 году до н.э., упоминал китайские скважины, предназначенные для добычи соляных рассолов и воды. Первая нефтяная скважина в мире была открыта на Биби-Эйбатском нефтегазоконденсатном месторождении в ...
Тезисно страницы в нашей истории, которые постепенно забываются, замалчиваются или попросту неинтересны. А ведь американцы, японцы, канадцы, поляки, французы, чехи убивали наших с вами соотечественников в страшные для станы годы - 1918-й, начало становления нового государства... Можно ...
Белоплечий орлан (Haliaeetus pelagicus), молодая птица Black sea eagle фото paradoxusik ...
1. Евгений Чеширко, «Дневник домового»
3. Сью Таунсенд, «Тайный дневник Адриана Моула»
читать далее ...
