ML | comprensión de la hipótesis

En la mayoría de los algoritmos de aprendizaje automático supervisado, nuestro objetivo principal es encontrar una posible hipótesis del espacio de hipótesis que posiblemente podría asignar las entradas a las salidas adecuadas.
La siguiente figura muestra el método común para encontrar la posible hipótesis del espacio Hipótesis:

Espacio de hipótesis (H):
El espacio de hipótesis es el conjunto de todas las hipótesis jurídicas posibles. Este es el conjunto a partir del cual el algoritmo de aprendizaje automático determinaría el mejor posible (solo uno) que describiría mejor la función objetivo o los resultados.

Hipótesis (h):
una hipótesis es una función que describe mejor el objetivo en el aprendizaje automático supervisado. La hipótesis de que surgiría un algoritmo depende de los datos y también depende de las restricciones y el sesgo que hemos impuesto a los datos. Para entender mejor el Espacio de Hipótesis y la Hipótesis considere la siguiente coordenada que muestra la distribución de algunos datos:

Digamos que tenemos datos de prueba para los cuales tenemos que determinar las salidas o resultados. Los datos de la prueba son los que se muestran a continuación:

Podemos predecir los resultados dividiendo la coordenada como se muestra a continuación:

Entonces, los datos de prueba arrojarían el siguiente resultado:

Pero tenga en cuenta aquí que podríamos haber dividido el plano de coordenadas como:

La forma en que se dividiría la coordenada depende de los datos, el algoritmo y las restricciones.

Todas estas posibles formas legales en las que podemos dividir el plano de coordenadas para predecir el resultado de los datos de prueba que componen el Espacio de Hipótesis.

Cada forma individual posible se conoce como la hipótesis.

Por lo tanto, en este ejemplo el espacio de hipótesis sería como: