摘要：近年来，基于数据驱动的机器学习模型开始提供可替代的方法，并在许多任务中优于纯物理学驱动模型。

本文分享自华为云社区《如何将知识引入机器学习模型提升泛化能力？》，作者：PG13 。

基于物理学的模型是当今技术和科学的核心。近年来，基于数据驱动的机器学习模型开始提供可替代的方法，并在许多任务中优于纯物理学驱动模型。但是，基于数据驱动的模型训练需要大量的数据，而且它们的决策推理可能难以解释，而且泛化性能仍然是一个挑战。而同时结合数据和物理学则可以两全其美，当机器学习算法在学习时，它们实际上是在你选择的算法、架构和配置所定义的假设空间中去寻找解。即使对于简单的算法，假设空间也可能相当大，而数据是我们在这个巨大空间中寻找解决方案的唯一指南。而如果我们可以使用我们对世界的知识（例如物理学）和数据一起来指导解空间的搜索，结果会怎样呢？

如何用物理学指导机器学习算法

如何利用物理学来指导机器学习模型，总结一下主要有两种方法：（1）使用物理学理论计算额外特征（特征工程），与测量值一起输入模型进行训练；（2）在损失函数中添加物理不一致惩罚项以惩罚与物理学不一致的预测。

如何将知识引入机器学习模型提升泛化能力？_机器学习

更多文章请关注《万象专栏》