П:
Како се Оццамова бритва односи на машинско учење?
А:Употреба Оццамове бритве датира још од Вилијама Оцкхамског 1200-их - идеја је да се преферира најједноставније и најнепосредније решење или да се уз различите хипотезе најбоље примени она најједноставнија или она са најмање.
Међутим, Оццамова бритва такође има неке модерне примене у најсавременијим технологијама - један пример је примена принципа за машинско учење. Помоћу машинског учења, инжењери раде на обучавању рачунара на скуповима података о обуци, како би им омогућили да уче и превазиђу границе оригиналног програмирања базе података. Машинско учење укључује имплементацију алгоритама, структура података и система за обуку у рачунаре, како би се омогућило да сами уче и стварају еволуирајуће резултате.
Имајући то у виду, неки стручњаци сматрају да Оццамова бритва може бити корисна и поучна у дизајнирању пројеката за машинско учење. Неки тврде да Оццамова бритва може помоћи инжењерима да одаберу најбољи алгоритам који ће се пријавити на пројекат, а такође помажу у одлучивању како да се програм обучи са одабраним алгоритмом. Једна интерпретација Оццамове бритве је да, с обзиром на више одговарајућег алгоритма са упоредивим компромисима, треба користити онај који је најмање сложен за употребу и који је најлакши за тумачење.
Други истичу да су поступци поједностављења попут одабира карактеристика и смањења димензија такође примери употребе Оццамовог принципа бритве - поједностављења модела да би се постигли бољи резултати. С друге стране, други описују компромисе модела где инжењери смањују сложеност на рачун тачности - али још увек тврде да овај Оццамов приступ бритви може бити користан.
Друга примена Оццамове бритве укључује параметре постављене за одређене врсте машинског учења, као што је Баиесова логика у технологијама. Ограничавајући скупове параметара за пројекат, могло би се рећи да инжењери "користе Оццамову бритвицу" да би поједноставили модел. Други аргумент гласи да кад креативни људи размишљају о томе како да процене случај пословне употребе и ограниче опсег пројекта пре него што користе алгоритме, они користе Оццамову бритвицу да би умањили сложеност пројекта од самог почетка.
Још једна популарна примена Оццамове бритве за машинско учење укључује „проклетство прекомерно сложених система.“ Овај аргумент каже да стварање замршенијег и детаљнијег модела може тај модел учинити крхким и неспретним. Постоји проблем који се зове прекомерно уклапање у случају када су модели направљени превише сложено да би се стварно уклапали у податке који се прегледавају и случај употребе тих података. Ово је још један пример где би неко могао навести Оццамову бритвицу у намерном дизајну система машинског учења, како би се уверио да не трпи прекомплексност и крутост.
Са друге стране, неки истичу да погрешна употреба Оццамове бритве може умањити ефикасност програмирања машинског учења. У неким случајевима сложеност може бити неопходна и корисна. Све то има везе са испитивањем одређеног обима пројекта и онога што се мора добити, и гледањем улаза, скупова за обуку и параметара за примену наје циљанијег решења за дати резултат.
