før dette indlæg har jeg udgivet en “hellig gral for bias variance trade-off, overfitting og underfitting”. Denne omfattende artikel fungerer som en vigtig forløber for dette indlæg, hvis du er nybegynder eller bare gerne vil pusse op begreberne bias og varians, før du dykker ind med fuld kraft i havet af Ensemblemodellering. Alle de andre i publikum kan let gå videre for at vide mere om Ensemblemodellering fra my pen. Jeg vil ty til at citere nogle eksempler fra det virkelige liv for at forenkle begreberne hvad,hvorfor og hvordan ensemblemodellerne med fokus på sække og boosteteknikker.

Scenario 1: Du har brug for et nyt par hovedtelefoner. Nu er det sandsynligt, at du bare går ind i en butik og køber de hovedtelefoner, som sælgerne viser dig? På tidspunktet for denne dag og alder er jeg sikker på, at svaret er nej, fordi vi er stærkt afhængige af vores “forskning”, før vi køber noget i dag. Du vil gennemse et par internetteknologiportaler og kontrollere brugeranmeldelser og derefter sammenligne forskellige modeller, der interesserer dig, mens du tjekker for deres funktioner og priser. Du vil sandsynligvis også bede dine venner og kolleger om deres mening. Kort sagt, du ville ikke direkte nå en konklusion, men vil i stedet træffe en informeret beslutning efter grundigt at undersøge din vej igennem.

nu, kan tage et kig på den tekniske definition af Ensemble læringsmetoder.

ensemblemodeller i maskinlæring kombinerer beslutningerne fra flere modeller for at forbedre den samlede præstation. De opererer på den samme ide som ansat, mens de køber hovedtelefoner.

hovedårsagerne til fejl i læringsmodeller skyldes støj, bias og varians.

Ensemble metoder hjælper med at minimere disse faktorer. Disse metoder er designet til at forbedre stabiliteten og nøjagtigheden af maskinlæringsalgoritmer.scenarie 2: Lad os antage, at du har udviklet en sundheds-og fitnessapp. Før du offentliggør det, du ønsker at modtage kritisk feedback for at lukke de potentielle smuthuller, hvis nogen. Du kan ty til en af følgende metoder, læse og bestemme hvilken metode der er bedst:

1. du kan tage din ægtefælles eller dine nærmeste venners mening.
2. du kan spørge en flok af dine venner og kontor kolleger.
3. du kan starte en betaversion af appen og modtage feedback fra internetudviklingssamfundet og ikke-partiske brugere.

ingen brune punkter for at gætte svaret: D Ja, selvfølgelig vil vi rulle med den tredje mulighed.

nu, pause og tænke, hvad du lige har gjort. Du tog flere meninger fra en stor nok flok mennesker og tog derefter en informeret beslutning baseret på dem. Dette er hvad Ensemble metoder også gør.

Ensemblemodeller i maskinindlæring kombinerer beslutningerne fra flere modeller for at forbedre den samlede præstation.

Scenario 3: Se på følgende billede; vi kan se en gruppe bind for øjnene, der leger spillet “Touch and tell”, mens de undersøger en elefant, som ingen af dem nogensinde havde set før. Hver af dem vil have en anden version af, hvordan en elefant ser ud, fordi hver af dem udsættes for en anden del af elefanten. Hvis vi nu giver dem en opgave med at indsende en rapport om elefantbeskrivelse, vil deres individuelle rapporter kun kunne beskrive en del nøjagtigt efter deres erfaring, men samlet kan de kombinere deres observationer for at give en meget nøjagtig rapport om beskrivelsen af en elefant.

tilsvarende anvender ensemblelæringsmetoder en gruppe modeller, hvor det kombinerede resultat ud af dem næsten altid er bedre med hensyn til forudsigelsesnøjagtighed sammenlignet med at bruge en enkelt model.

ensembler er en kløft og erobre tilgang, der bruges til at forbedre ydeevnen.