Gdybyś znał Twierdzenie o braku obiadu (Wolpert i Macready), nie rozkoszowałbyś się jednym klasyfikatorem i zapytałbyś, dlaczego nie jest najlepszy. Twierdzenie NFL stwierdza zasadniczo, że „we wszechświecie wszystkich funkcji kosztów nie ma jednego najlepszego klasyfikatora”. Po drugie, wydajność klasyfikatora zawsze „zależy od danych”.
Ugly Duckling Twierdzenie (Watanabe) stanowi w istocie, że „we wszechświecie wszystkich zestawów cech, nie ma nikogo, najlepszy zestaw funkcji.”
Twierdzenie Covera stwierdza, że jeśli , tzn. Wymiarowość danych jest większa niż wielkość próbki, to problem klasyfikacji binarnej jest zawsze liniowo rozdzielny.p>n
W świetle powyższego, a także Razor Razor , nigdy nie ma nic lepszego niż cokolwiek innego, niezależnie od funkcji danych i kosztów.
Zawsze twierdziłem, że same CNN nie są zespołami klasyfikatorów, dla których można ocenić różnorodność (kappa vs błąd).