محققان در پژوهش جدیدی به چالش عجیبی در دنیای «جنگلهای علّی» (Causal Forests) پرداختهاند. برخلاف تصور رایج که استفاده از تکنیک Honest Estimation (تقسیم دادهها برای کاهش بیشبرازش) را یک استاندارد طلایی میداند، این مقاله نشان میدهد که این کار در بسیاری از موارد باعث «کمبرازش» و کاهش دقت مدل میشود.
نکته کلیدی: استفاده از این روش به جای پیشفرض بودن، باید بر اساس هدف نهایی پروژه انتخاب شود؛ چرا که گاهی برای رسیدن به دقت مشابه بدون این سختگیری، به ۲۷٪ داده بیشتر نیاز است! این مطالعه یادآوری مهمی است که در دنیای هوش مصنوعی، هیچ ابزاری به عنوان «بهترین تنظیمات همیشگی» وجود ندارد.
منبع: arXiv Machine Learning