假设满足程度是性能的弱预测指标
人工智能
2013-04-11 v1
摘要
本文展示了一种方法，用于在参数优化后检查不确定推理系统（UIS）的准确性，并对几种常见的UIS进行了检验。该方法可用于测试当先验假设或更新公式不完全满足时的准确性。令人惊讶的是，这些UIS的平均准确性并不比简单的线性回归更高。此外，即使在故意偏置以提供非常好准确性的先验分布上，它们的准确性也低于假设输入之间边际独立的简单概率模型。这表明更新公式的重要性可能超过先验假设。因此，当根据优化后的最终准确性来判断UIS时，我们得到的结果与根据先验假设是否完全满足来判断时完全不同。
引用
@article{arxiv.1304.2729,
title = {Satisfaction of Assumptions is a Weak Predictor of Performance},
author = {Ben P. Wise},
journal= {arXiv preprint arXiv:1304.2729},
year = {2013}
}
备注
Appears in Proceedings of the Third Conference on Uncertainty in Artificial Intelligence (UAI1987)