machine-learning - 标准差作为阈值背后的直觉及其原因

Question

我有一组输入输出训练数据，样本很少

Input  output
[1 0 0 0 0]  [1 0 1 0 0]
[1 1 0 0 1]  [1 1 0 0 0]
[1 0 1 1 0]  [1 1 0 1 0]

等等。我需要对整个输出应用标准差作为阈值。因此，我计算输出的平均标准差。应用是模型在呈现这些数据时应该能够学习和预测输出。我的目标函数设计中有一个条件，就是模型输出与期望目标之间的距离=欧氏距离的平方和，对应的输入应该小于阈值。

我的问题是我应该如何证明阈值的使用合理？有道理吗？我读了这篇文章article这说明通常以标准差作为阈值。

对于我的情况，取训练数据输出的标准差意味着什么？

Answer 1

标准偏差(或方差)背后没有直觉/哲学，统计学家喜欢这些度量纯粹是因为它们具有各种良好的特性，在数学上很容易使用。请参阅https://math.stackexchange.com/questions/875034/does-expected-absolute-deviation-or-expected-absolute-deviation-range-exist

还有很多其他方法可以执行各种形式的异常检测、信念修正等，但使用它们在数学上可能更具挑战性。