Machine learning 机器学习算法能学会预测a吗;“随机”;发电机上的数字是否至少达到50%的准确度?
因为所有的随机数生成器都是伪随机数生成器,机器学习算法最终能否在有足够的测试数据的情况下,学会以50%的准确率预测下一个随机数?如果只生成随机位(0或1),那么任何方法都将得到50%,确切地说是任何,ML或不,不接受训练。除了直接利用底层随机数生成器之外的任何东西(比如读取种子,然后使用相同的随机数生成器作为预测器)。所以答案是肯定的Machine learning 机器学习算法能学会预测a吗;“随机”;发电机上的数字是否至少达到50%的准确度?,machine-learning,Machine Learning,因为所有的随机数生成器都是伪随机数生成器,机器学习算法最终能否在有足够的测试数据的情况下,学会以50%的准确率预测下一个随机数?如果只生成随机位(0或1),那么任何方法都将得到50%,确切地说是任何,ML或不,不接受训练。除了直接利用底层随机数生成器之外的任何东西(比如读取种子,然后使用相同的随机数生成器作为预测器)。所以答案是肯定的 如果你考虑更多的“数字”,那么不,这是不可能的,除非你没有有效的随机数生成器。过程越弱,你试图学习的模型越好,就越容易预测发生了什么。例如,如果您确切地知道随机数
如果你考虑更多的“数字”,那么不,这是不可能的,除非你没有有效的随机数生成器。过程越弱,你试图学习的模型越好,就越容易预测发生了什么。例如,如果您确切地知道随机数生成器是什么样子的,这只是一个带有一些参数f(x | params)的迭代函数,我们从一些随机种子s和参数params开始,然后x1=f(s | params),x2=f(x1 | params)。。。然后,您可以使用ML了解此类系统的状态,这只是关于查找“参数”,它适合于生成实际值。现在-f越复杂,问题就越复杂。对于典型的随机数生成器,f太复杂,无法学习,因为您无法观察到接近值之间的任何关系-如果您预测“5.8”,而答案是“5.81”,则模型中的下一个样本可能是“123”,而真实生成器中的样本可能是“-2”。这是一个完全混乱的过程
总而言之:这仅适用于非常简单的情况:- 要么只有2个值(那么就没有什么可学的,实际上任何不作弊的方法都会得到50%)
- 或者随机数生成器有严重缺陷,您知道它是什么类型的缺陷,您可以设计一个参数化模型来近似这一点