5、机器学习中的异常检测与算法评估

机器学习中的异常检测与算法评估

1. 智能体与算法评估基础

在计算机科学领域，“智能体（Agent）”通常指对真实实体的软件抽象，它能在一定程度上自主行动。比如在人工社会中，智能体就是对真实人类的软件抽象，它们在人工模拟环境中相互交互。多数定义认为智能体具有以下特性：
- 持久性 ：代码并非按需执行，而是持续运行，并自主决定何时执行某些活动。
- 社交能力 ：能够与其他智能体进行交互。
- 反应性 ：感知环境并做出反应。
- 主动性 ：表现出目标导向的行为，能主动采取行动。

算法评估是对算法的一个或多个属性进行评估的过程。评估算法的有效性往往很有价值，很多情况下是相对评估，即评估多个替代算法中哪个最适合特定应用。评估方法主要分为理论评估和实验评估：
- 理论评估 ：使用形式化方法推断算法的属性，如计算复杂度，还会运用计算学习理论工具评估学习理论属性。
- 实验评估 ：将算法应用于学习任务，研究其在实际中的性能。

评估的属性包括算法属性（如时间和空间复杂度），这些属性通常会分别在学习模型（训练时间）和应用学习模型（测试时间）时进行评估。此外，还会研究学习模型的属性。不过，许多机器学习研究在比较算法时，使用的数据集可能未考虑其代表的应用类别，这种实验评估被称为“烘焙竞赛（bake - off）”，存在局限性。一种可能减少其局限性的实验评估方法是评估学习算法的偏差和方差，这能更全面地了解算法特性。实验算