Waarom is dit belangrijk?
Wie de benaderingsfout vooraf begrenst, kan bepalen of een rekenmodel bruikbaar genoeg is voor een concrete beslissing. In de wetenschap kiezen onderzoekers soms een eenvoudiger model, omdat weinig gegevens een ingewikkeld model gevoelig maken voor toevallige schommelingen. Op school en op het werk blijft controle op die afwijking nodig, want een te ruime grens leidt tot verkeerde conclusies in rapporten en adviezen.
Zo werkt het in de praktijk
Bij turbulentie koppelt een onderzoeksgroep een neuraal netwerk aan een stromingsmodel. Het netwerk verkleint de fout van een berekening met korte kommagetallen. Klimaatonderzoek beschrijft die verschuiving bij een ondiepwatermodel en noemt formaten van Nvidia en Google Brain.
In Mathematics of Computation leiden De Ryck en Mishra grenzen af voor de benaderingsfout. Een ReLU-netwerk, een netwerk met een knik, benadert de oplossing van parametrische behoudswetten. De generalisatiefout volgt uit de trainingsfout, het aantal voorbeelden en de netwerkgrootte.
De IEEE-standaard voor kommagetallen legt vast hoe computers zulke getallen opslaan. Numerieke analyse noemt een methode stabiel als een kleine invoerfout niet sterk groeit.




