machine-learning - 机器学习中方法的“灵活性”的定义是什么？

Closed. This question needs to be more focused。它当前不接受答案。
                            
                        
                    
                
                            
                                
                
                        
                            
                        
                    
                        
                            想改善这个问题吗？更新问题，使其仅通过editing this post专注于一个问题。
                        
                        4个月前关闭。
                                                                                            
                
        
我想找到机器学习中方法的“灵活性”的定义，就像套索，SVM和最小二乘一样。
这是灵活性和可解释性之间折衷的表示。

而且我还认为灵活性是一个详尽的数字问题。
由于我的声誉，我无法上传图片。如果您想了解一些细节，可以阅读《统计学习入门》，图片位于第25页和第31页。

谢谢。

最佳答案

在绘制模型方程式时，您可以将模型的“灵活性”视为模型的“弯曲度”。线性回归被认为是不灵活的。另一方面，如果您有9个训练集，每个训练集都非常不同，并且您需要更严格的决策边界，则该模型将被视为灵活的，仅因为该模型不能为直线。

当然，有一个基本的假设，即这些模型可以很好地表示训练数据（线性表示不适用于高度分散的数据，锯齿状多项式表示不适用于直线）。

结果，一个灵活的模型将：


很好地跨不同的培训集


以更高的方差为代价。这就是为什么灵活的模型通常与低偏差相关联的原因

随着复杂度的增加和/或数据点数量的增加，性能会更好（直到某个点，性能不会更好）

关于machine-learning - 机器学习中方法的“灵活性”的定义是什么？ ，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/26437372/