Значение двух наборов данных, имеющих разные распределения, и почему нейронная сеть не может работать с ними вместе?

Question

Я использую наборы данных разных проектов с входными объектами (глубина дерева наследования, количество дочерних элементов, количество методов), где эти функции имеют значения для класса в каждом отдельном проекте.
Я читал много статей о том, что нейронная сеть или любая другая модель не могут работать с наборами данных разных распределений

Мой вопрос:
1. что означает наборы данных с разными распределениями (когда один набор данных имеет несколько выборок, каждый образец, соответствующий классу в этом проекте)
2. Почему NN или любой другой алгоритм не может работать с 2 наборами данных разных распределений

Заранее спасибо.

Answer 1

Одним из наиболее часто используемых предположений при формулировании статистической проблемы обучения является то, что выборки являются IID, это означает, что ваши выборки распределены одинаково, поэтому вся выборка должна быть получена из одного и того же распределения. Когда вы говорите, что у вас есть две разные dataet, это означает, что это предположение неверно, и большинство теоретических гарантий больше не выполняются. Теперь, возможно, ваш вопрос в том, что означает «распределение данных», это просто совместный закон p (x, y), где x - это функции, а y - метки. Таким образом, два набора данных имеют разные распределения, это означает, что p_ {1} (x, y)! = P_ {2} (x, y)