问：
平衡的概念如何为机器学习项目提供信息？
A：通常，平衡将通过寻求稳定机器学习环境并通过确定性和概率性成分的兼容组合来产生结果，从而为机器学习提供信息。
专家将“均衡”描述为一种情况，在这种情况下，机器学习系统中的理性行为者就战略行动达成共识-尤其是博弈论中的纳什均衡涉及两个或多个理性行为者，因为他们认识到没有玩家从中受益，从而巩固了战略。如果其他参与者没有改变他们的策略，则改变其特定策略。
| 免费下载： 机器学习及其重要性 |
纳什均衡的一个特别流行且简单的演示涉及一个简单的矩阵，其中两个参与者各自选择一个二进制结果。
上面是描述平衡及其工作原理的一种非常技术性的方法。 一种更为非正式的方式来说明均衡的概念，特别是上述两个理性参与者各自具有二元选择的示例，是在思考您可能称之为“在高中走廊上互相靠近”的场景。
假设两个人沿着高中走廊（或任何其他类型的区域）朝不同的方向走，那只能容纳两个人的横向空间。 两条开放的道路是二元结果。 如果两个有理性的行为者选择彼此不冲突的不同二元结果，那么他们将彼此掠过并打招呼。 如果他们选择两个相互矛盾的二进制结果–他们正走在同一个空间，其中之一将需要屈服。
在上面的示例中，如果两个理性行为者选择了两个相容且互不冲突的结果，则普遍的共识是，如果另一个人不改变自己的战略，则任何一方都不会通过改变其战略（在这种情况下为他们的步行方向）而获益。
上面的内容构成了一个可以在任何给定的机器学习构造中建模的平衡。 举这个简单的例子，结果将永远是两个有理性的行为者合作，或者换句话说，两个人互相走过。
相反的情况可以称为“不平衡” –如前所述，如果两个理性行为者选择相互矛盾的结果，则其中一个必须屈服。 但是，如果这两者的ML程序建模都可能陷入无限循环-就像两个人为了设法彼此容纳而继续前进并继续走向碰撞一样。
上面所述的一种平衡通常会在机器学习中用于建立共识和稳定模型。 工程师和开发人员将寻找能够从均衡中受益的场景和情况，并努力改变或处理那些不均衡的情况。 通过查看与ML平衡相对应的现实示例，可以很容易地看到机器学习系统中的这种分析对于如何通过创建理性的参与者和代理来模拟人类行为具有独特的指导意义。 这只是一个很好的例子，说明了如何使用平衡来促进机器学习系统的应用。
