การลดความเสี่ยงเชิงโครงสร้าง (SRM)เป็นหลักการอุปนัยที่ใช้ในการเรียนรู้ของเครื่องจักรโดยทั่วไปในการเรียนรู้ของเครื่องจักร จะต้องเลือกแบบจำลองทั่วไปจากชุดข้อมูลที่จำกัด ซึ่งส่งผลให้เกิดปัญหาการโอเวอร์ฟิตติ้ง – แบบจำลองจะถูกปรับแต่งให้เข้ากับลักษณะเฉพาะของชุดข้อมูลฝึกฝนมากเกินไปและไม่สามารถสรุปผลได้ดีกับข้อมูลใหม่ หลักการ SRM แก้ไขปัญหานี้โดยการปรับสมดุลความซับซ้อนของแบบจำลองกับความสำเร็จในการปรับให้เข้ากับข้อมูลฝึกฝน หลักการนี้ได้รับการกำหนดขึ้นครั้งแรกในหนังสือปี 1974 ^{[ 1 ]}โดยVladimir VapnikและAlexey Chervonenkisและ ใช้มิติ VC

ในทางปฏิบัติ การลดความเสี่ยงเชิงโครงสร้างจะดำเนินการโดยการลดค่าโดยที่คือข้อผิดพลาดในการฝึก ฟังก์ชันเรียกว่าฟังก์ชันการปรับค่า และคือค่าคง ที่ จะถูกเลือกให้มีค่ามากในพารามิเตอร์ที่อยู่ในเซตย่อยที่มีความจุสูงของพื้นที่พารามิเตอร์ การลดค่าในทางปฏิบัติจะจำกัดความจุของเซตย่อยที่เข้าถึงได้ของพื้นที่พารามิเตอร์ จึงควบคุมความสมดุลระหว่างการลดข้อผิดพลาดในการฝึกและการลดช่องว่างที่คาดหวังระหว่างข้อผิดพลาดในการฝึกและข้อผิดพลาดในการทดสอบ^{[ 2 ]}${\displaystyle E_{รถไฟ}+\เบต้า H(W)}$${\displaystyle E_{train}}$${\displaystyle H(W)}$${\displaystyle \beta }$${\displaystyle H(W)}$${\displaystyle W}$${\displaystyle H(W)}$

ปัญหา SRM สามารถกำหนดได้ในรูปของข้อมูล โดยกำหนดจุดข้อมูล n จุด ซึ่งประกอบด้วยข้อมูล x และป้ายกำกับ y วัตถุประสงค์มักจะแสดงในลักษณะต่อไปนี้: ${\displaystyle J(\theta )}$

${\displaystyle J(\theta )={\frac {1}{2n}}\sum _{i=1}^{n}(h_{\theta }(x^{i})-y^{i})^{2}+{\frac {\lambda }{2}}\sum _{j=1}^{d}\theta _{j}^{2}}$

เทอมแรกคือค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ระหว่างค่าของแบบจำลองที่เรียนรู้และป้ายกำกับที่กำหนดเทอมนี้คือความคลาดเคลื่อนในการฝึกที่ได้กล่าวถึงไปก่อนหน้านี้ เทอมที่สองกำหนดค่าความน่าจะเป็นล่วงหน้าให้กับน้ำหนัก เพื่อส่งเสริมความเบาบางและลงโทษน้ำหนักที่มากเกินไป สัมประสิทธิ์การแลกเปลี่ยน เป็นพารามิเตอร์ที่ให้ความสำคัญกับเทอมการปรับค่ามากหรือน้อย ค่า ที่มากขึ้นจะส่งเสริมน้ำหนักที่เบาบางลงโดยแลกกับ MSE ที่เหมาะสมมากขึ้น และค่า ที่น้อยลงจะผ่อนคลายการปรับค่า ทำให้แบบจำลองสามารถปรับให้เข้ากับข้อมูลได้ โปรดทราบว่าเมื่อน้ำหนักเป็นศูนย์ และเมื่อแบบจำลองมักจะประสบปัญหาการโอเวอร์ฟิตติ้ง ${\displaystyle h_{\theta }}$${\displaystyle y}$${\displaystyle E_{train}}$${\displaystyle \lambda }$${\displaystyle \lambda }$${\displaystyle \lambda }$${\displaystyle \lambda \to \infty }$${\displaystyle \lambda \to 0}$

• ทฤษฎี Vapnik–Chervonenkis
• เครื่องสนับสนุนเวกเตอร์
• การเลือกแบบจำลอง
• การเรียนรู้ของอ็อกแคม
• การลดความเสี่ยงเชิงประจักษ์
• การถดถอยของสันเขา
• การทำให้เป็นระเบียบ (คณิตศาสตร์)

• การลดความเสี่ยงเชิงโครงสร้างที่เว็บไซต์เครื่องสนับสนุนเวกเตอร์ (Support Vector Machines)

บทความเกี่ยวกับแมชชีนเลิร์นนิงนี้ ยัง ไม่สมบูรณ์คุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มข้อมูลที่ขาดหายไป

• วี
• ที
• อี