Machine-Learning
監督機器學習和實驗設計之間的區別？
我是一名訓練有素的實驗物理學家，使用標準統計方法分析數據，並使用實驗設計 (DOE) 框架通過改變輸入和測量輸出來開發系統模型。
最近，我一直在研究機器學習的使用，並試圖弄清楚 DOE 是否有任何效用/好處。
我希望這個論壇上的某個人可以驗證我對監督機器學習的看法，或者指出我所缺少的。
我基本上得出的結論是，有監督的機器學習是一種計算系統傳遞函數的方法，因為訓練數據是一組將輸入集與輸出真實值連接起來的數據集。
儘管機器可以根據訓練集計算出傳遞函數，但在傳遞函數的準確性或其他性能度量方面，DOE 和監督機器學習有什麼區別？
您的問題很難回答，因為沒有“監督機器學習算法”。有大量不同的 ML 算法可以以有監督的方式進行優化，每種算法都有其優點和缺點。
在非常抽象的層面上，您可以將機器學習 (ML) 定義為通過某個空間進行搜索對於參數化（) 給定模型這樣給出成本函數的最小值（儘管並不總是全局的）（) 和輸入 (）。更正式地說：
對於監督學習，成本函數可以採用的一種形式是（給定作為基本事實）：
通過任何搜索最小化成本函數可以適合這個框架，因此如果你願意，你可以將 DOE 聲明為 ML 算法。具體來說，ML 算法由以下因素定義：採用的優化技術、使用的模型和成本函數。如果為 DOE 填寫這些內容，則可以開始將其與其他 ML 算法進行比較。