Kỹ thuật ‘Grid Search’ trong học máy được sử dụng để làm gì?

Tìm một siêu phẳng phân chia tối đa hóa lề (margin) giữa các lớp dữ liệu

Giảm thiểu sai số bình phương trung bình

Phân cụm dữ liệu thành các nhóm nhỏ

Dự đoán giá trị liên tục

Clustering (Phân cụm)

Linear Regression (Hồi quy tuyến tính)

Support Vector Machine (SVM)

Decision Tree (Cây quyết định)

Tạo ra các biến thể mới của dữ liệu huấn luyện hiện có (ví dụ: xoay, lật ảnh) để tăng kích thước tập dữ liệu và cải thiện khả năng khái quát hóa

Giảm số lượng đặc trưng trong tập dữ liệu

Tăng tốc độ hội tụ của mô hình

Loại bỏ các giá trị ngoại lai

Phân loại một điểm dữ liệu mới dựa trên nhãn của K điểm dữ liệu gần nhất trong tập huấn luyện

Tìm kiếm các cụm dữ liệu

Giảm chiều dữ liệu

Dự đoán giá trị liên tục bằng cách ngoại suy

Tính toán và lan truyền sai số từ lớp đầu ra về các lớp trước đó để cập nhật trọng số

Truyền dữ liệu đầu vào từ lớp đầu vào đến lớp đầu ra

Tính toán gradient cho từng đặc trưng

Tạo ra các kết nối mới giữa các nơ-ron

Chia nhỏ không gian đặc trưng thành các vùng con dựa trên các kiểm tra điều kiện trên các đặc trưng

Tìm kiếm các điểm dữ liệu gần nhất để đưa ra dự đoán

Tối đa hóa khoảng cách giữa các lớp

Xây dựng một mô hình tuyến tính để khớp với dữ liệu

Tìm các thành phần chính (principal components) có phương sai lớn nhất để giảm chiều dữ liệu

Phân loại dữ liệu thành các nhóm

Tối ưu hóa hàm mất mát trong mạng nơ-ron

Dự đoán giá trị liên tục