ennen tätä viestiä olen julkaissut ”Holy Grail for bias variance trade-off, Overfitting and underfitting”. Tämä kattava artikkeli toimii tärkeä esiosa tähän virkaan, jos olet newbie tai haluaisi vain harjata käsitteitä bias ja varianssi ennen sukellusta täydellä voimalla meressä Ensemble mallinnus. Kaikki muut yleisössä voivat helposti siirtyä tietämään enemmän Ensemble-mallintamisesta kynästäni. Turvaudun lainaamaan muutamia tosielämän esimerkkejä yksinkertaistaakseni ensemble-mallien käsitteitä mitä, miksi ja miten keskittyen pussitukseen ja tehostustekniikoihin.

Skenaario 1: Tarvitset uudet kuulokkeet. Onko todennäköistä, että vain kävelet kauppaan ja ostat myyjien näyttämät kuulokkeet? Tässä vaiheessa tätä päivää ja ikä, olen varma, että vastaus on ei, koska luotamme vahvasti meidän ”tutkimus” ennen ostaa mitään nykyään. Voit selata muutamia web-teknologian portaaleja ja tarkistaa käyttäjien arvostelut ja sitten vertailla eri malleja, jotka kiinnostavat sinua samalla tarkistaa niiden ominaisuuksia ja hintoja. Todennäköisesti kysyt myös ystäviltäsi ja kollegoiltasi heidän mielipidettään. Lyhyesti sanottuna, et suoraan päästä johtopäätökseen, mutta sen sijaan tehdä tietoon perustuvan päätöksen jälkeen perusteellisesti tutkia läpi.

nyt voi tutustua Ensemblen oppimismenetelmien tekniseen määrittelyyn.

ensemble-mallit koneoppimisessa yhdistävät useiden mallien päätökset kokonaissuorituksen parantamiseksi. Ne toimivat samalla ajatuksella kuin kuulokkeita ostaessaan.

oppimismallien virheiden pääsyyt johtuvat melusta, vinoumasta ja varianssista.

Ensemblen menetelmät auttavat minimoimaan näitä tekijöitä. Nämä menetelmät on suunniteltu parantamaan koneoppimisen algoritmien vakautta ja tarkkuutta.

skenaario 2: Oletetaan, että olet kehittänyt terveys-ja kuntoilusovelluksen. Ennen sen julkistamista haluat saada kriittistä palautetta mahdollisten porsaanreikien tukkimiseksi. Voit turvautua johonkin seuraavista menetelmistä, lukea ja päättää, mikä menetelmä on paras:

1. voit ottaa puolisosi tai lähimpien ystäviesi mielipiteen.
2. voit kysyä kavereiltasi ja toimistotovereiltasi.
3. voit käynnistää sovelluksen beta-version ja saada palautetta web-kehitysyhteisöltä ja ennakkoluulottomilta käyttäjiltä.

ei brownie-pisteitä vastauksen arvaamiseen 😀 kyllä, totta kai rullataan kolmannella vaihtoehdolla.

nyt, pysähdy ja mieti, mitä juuri teit. Otit useita mielipiteitä tarpeeksi isolta ihmisjoukolta ja teit sitten tietoisen päätöksen niiden perusteella. Näin tekevät myös Ensemble-metodit.

Ensemble-mallit koneoppimisessa yhdistävät useiden mallien päätökset kokonaissuorituksen parantamiseksi.

skenaario 3: katsokaa seuraavaa kuvaa; voimme nähdä joukon silmät sidottuja lapsia leikkimässä ”Kosketa ja kerro” – leikkiä tutkiessamme norsua, jota kukaan heistä ei ollut ennen nähnyt. Jokaisella heistä on erilainen versio siitä, miltä norsu näyttää, koska jokainen heistä altistuu eri norsun osalle. Nyt, jos annamme heille tehtäväksi laatia norsujen kuvausta koskevan kertomuksen, heidän yksittäisissä raporteissaan voidaan kuvata vain yksi osa tarkasti heidän kokemuksensa mukaan, mutta yhdessä he voivat yhdistää havaintonsa antamaan erittäin tarkan raportin norsun kuvauksesta.

vastaavasti ensemble-oppimismetodeissa käytetään joukkoa malleja, joissa niistä saatu yhteistulos on ennustetarkkuuden kannalta lähes aina parempi verrattuna yksittäisen mallin käyttöön.

yhtyeet ovat hajota ja hallitse-lähestymistapa, jota käytetään suorituskyvyn parantamiseen.