egyszerű útmutató ensemble learning methods
mi, miért, hogyan, hogyan és zsákolás-növelő Demystified, magyarázható meglehetősen szokatlan, olvassa el:)
mielőtt ezt a bejegyzést, tettem közzé egy “szent grál torzítás variancia trade-off, overfitting and underfitting”. Ez az átfogó cikk szolgál fontos előzménye, hogy ezt a bejegyzést, ha egy újszülött, vagy csak szeretné, hogy ecsettel fel a fogalmak torzítás és szórás merülés előtt teljes erővel a tenger Ensemble modellezés. A közönség többi tagja könnyen továbbléphet, hogy többet tudjon meg az együttes modellezéséről a tollamról. Néhány valós példát fogok idézni, hogy egyszerűsítsem az együttes modelljeinek fogalmait,miért és hogyan, a zsákolásra és a technikák fellendítésére összpontosítva.
1. forgatókönyv: Új fejhallgatóra van szüksége. Valószínű, hogy bemész egy boltba, és megveszed a fejhallgatót,amit az eladók mutatnak? Ebben a korban, biztos vagyok benne, hogy a válasz nem, mert erősen támaszkodunk a “kutatás” vásárlás előtt semmit manapság. Böngészne néhány webes technológiai portált, megnézné a felhasználói véleményeket, majd összehasonlítaná a különböző modelleket, amelyek érdeklik Önt, miközben ellenőrzi a szolgáltatásaikat és áraikat. Ön is valószínűleg kérni a barátok, kollégák véleményét. Röviden, akkor nem közvetlenül a következtetést, de ehelyett, hogy tájékozott döntést, miután alaposan kutatja az utat.
most, vessen egy pillantást a technikai meghatározása Ensemble tanulási módszerek.
az ensemble modellek a gépi tanulásban több modell döntéseit kombinálják az általános teljesítmény javítása érdekében. Ezek működnek a hasonló ötlet alkalmazott vásárlás közben fejhallgató.
a tanulási modellek hibáinak fő okai a zaj, az elfogultság és a variancia.
Ensemble módszerek segítenek minimalizálni ezeket a tényezőket. Ezek a módszerek a gépi tanulási algoritmusok stabilitásának és pontosságának javítására szolgálnak.
2. forgatókönyv: tegyük fel, hogy kifejlesztett egy egészségügyi és fitness alkalmazást. Mielőtt nyilvánosságra hozná, kritikus visszajelzést szeretne kapni a lehetséges kiskapuk bezárásához, ha van ilyen. Használhatja az alábbi módszerek egyikét, olvassa el, majd döntse el, melyik módszer a legjobb:
- házastársa vagy legközelebbi barátai véleményét veheti figyelembe.
- megkérdezhet egy csomó barátot és irodai munkatársat.
- elindíthatja az alkalmazás béta verzióját, valamint visszajelzést kaphat a webfejlesztő közösségtől és a nem elfogult felhasználóktól.
nincs brownie pont a válasz kitalálásához:D Igen, természetesen a harmadik opcióval gördülünk.
most, szünet, és úgy gondolja, hogy mit tettél. Több véleményt is elvett egy csomó embertől, majd megalapozott döntést hozott ezek alapján. Ez az együttes módszerek is.
az Ensemble modellek a gépi tanulásban több modell döntéseit kombinálják az általános teljesítmény javítása érdekében.
3.forgatókönyv: vessen egy pillantást a következő képre; láthatjuk, hogy egy bekötött szemű gyermekcsoport játszik a” Touch and tell ” játékot, miközben egy elefántot vizsgál, amelyet egyikük sem látott korábban. Mindegyikük lesz egy másik változata, hogy hogyan néz ki egy elefánt, mert mindegyikük ki van téve egy másik része az elefánt. Most, ha feladatot adunk nekik, hogy jelentést nyújtsanak be az elefánt leírásáról, az egyes jelentések csak egy részt tudnak pontosan leírni tapasztalataik szerint, de együttesen kombinálhatják megfigyeléseiket, hogy nagyon pontos jelentést adjanak az elefánt leírásáról.
Hasonlóképpen, az ensemble learning methods egy olyan modellcsoportot alkalmaz, ahol a kombinált eredmény szinte mindig jobb az előrejelzési pontosság szempontjából, mint egyetlen modell használata.
az együttesek a teljesítmény javítására használt divide and conquer megközelítés.
Leave a Reply