Avant ce post, j’ai publié un « Saint graal pour le compromis de variance de biais, le surajustement et le Sous-ajustement ». Cet article complet sert de préquelle importante à cet article si vous êtes un débutant ou si vous souhaitez simplement approfondir les concepts de biais et de variance avant de plonger avec force dans la mer de la modélisation d’ensemble. Tous les autres dans le public peuvent facilement passer à en savoir plus sur la modélisation d’ensemble de ma plume. Je citerai quelques exemples concrets pour simplifier les concepts de quoi, pourquoi et comment des modèles d’ensemble en mettant l’accent sur les techniques d’ensachage et de renforcement.

Scénario 1: Vous avez besoin d’une nouvelle paire d’écouteurs. Maintenant, est-il probable que vous allez simplement entrer dans un magasin et acheter les écouteurs que les vendeurs vous montrent? À l’heure actuelle, je suis sûr que la réponse est NON car nous comptons beaucoup sur notre « recherche” avant d’acheter quoi que ce soit de nos jours. Vous navigueriez sur quelques portails technologiques Web et vérifieriez les avis des utilisateurs, puis compareriez différents modèles qui vous intéressent tout en vérifiant leurs caractéristiques et leurs prix. Vous demanderez également probablement leur avis à vos amis et collègues. En bref, vous ne parviendriez pas directement à une conclusion, mais prendrez plutôt une décision éclairée après avoir effectué des recherches approfondies.

Maintenant, peut jeter un coup d’œil à la définition technique des méthodes d’apprentissage en ensemble.

Les modèles d’ensemble en apprentissage automatique combinent les décisions de plusieurs modèles pour améliorer les performances globales. Ils fonctionnent sur l’idée similaire à celle utilisée lors de l’achat d’écouteurs.

Les principales causes d’erreur dans les modèles d’apprentissage sont dues au bruit, au biais et à la variance.

Les méthodes d’ensemble aident à minimiser ces facteurs. Ces méthodes sont conçues pour améliorer la stabilité et la précision des algorithmes d’apprentissage automatique.

Scénario 2: Supposons que vous ayez développé une application de santé et de fitness. Avant de le rendre public, vous souhaitez recevoir des commentaires critiques pour combler les lacunes potentielles, le cas échéant. Vous pouvez recourir à l’une des méthodes suivantes, lire et décider quelle méthode est la meilleure:

1. Vous pouvez prendre l’avis de votre conjoint ou de vos amis les plus proches.
2. Vous pouvez demander à un groupe de vos amis et collègues de bureau.
3. Vous pouvez lancer une version bêta de l’application et recevoir des commentaires de la communauté de développement Web et des utilisateurs non biaisés.

Pas de points de brownie pour deviner la réponse: D Oui, bien sûr, nous allons rouler avec la troisième option.

Maintenant, faites une pause et réfléchissez à ce que vous venez de faire. Vous avez pris plusieurs opinions d’un groupe assez important de personnes, puis vous avez pris une décision éclairée sur la base de celles-ci. C’est ce que font également les méthodes d’ensemble.

Les modèles d’ensemble en apprentissage automatique combinent les décisions de plusieurs modèles pour améliorer les performances globales.

Scénario 3:Regardez la photo suivante; nous pouvons voir un groupe d’enfants les yeux bandés jouant au jeu du « Toucher et dire” tout en examinant un éléphant qu’aucun d’entre eux n’avait jamais vu auparavant. Chacun d’eux aura une version différente de l’apparence d’un éléphant car chacun d’eux est exposé à une partie différente de l’éléphant. Maintenant, si nous leur donnons la tâche de soumettre un rapport sur la description des éléphants, leurs rapports individuels ne pourront décrire qu’une partie avec précision selon leur expérience, mais collectivement, ils peuvent combiner leurs observations pour donner un rapport très précis sur la description d’un éléphant.

De même, les méthodes d’apprentissage d’ensemble utilisent un groupe de modèles dont le résultat combiné est presque toujours meilleur en termes de précision de prédiction par rapport à l’utilisation d’un modèle unique.

Les ensembles sont une approche de division et de conquête utilisée pour améliorer les performances.