因为所有随机数生成器都是伪随机数生成器,所以最终机器学习算法能够用足够的测试数据学习预测下一个随机数,精度为50%吗?
答案 0 :(得分:0)
如果你只是生成随机的位(0或1),那么任何方法都会得到50%,实际上是任何,ML或不是,训练没有。除了直接利用底层随机数生成器之外的任何东西(比如读取种子,然后使用相同的随机数生成器作为预测器)。所以答案是肯定的。
如果您考虑更多“数字”,那么除非您没有有效的随机数生成器,否则无法实现。过程越弱,您尝试学习的模型越好,预测发生的事情就越容易。例如,如果您确切知道随机数生成器的样子,这只是带有一些参数f(x | params)的迭代函数,其中我们从一些随机种子s和参数参数开始,然后x1 = f(s | params) ,x2 = f(x1 | params),...那么你可以学习使用ML这种系统的状态,这只是找到“params”,它适合f生成实际值。现在 - 更复杂的f,问题越复杂。对于典型的随机数生成器,f太复杂而无法学习,因为您无法观察到接近值之间的任何关系 - 如果您预测“5.8”并且答案是“5.81”,那么您模型中的下一个样本可能是“123”并且来自真正的生成器“ -2" 。这完全是一个混乱的过程。
总结:这只适用于非常简单的情况: