Prima di questo post, ho pubblicato un “Santo graal per il Bias di varianza trade-off, l’overfitting e Underfitting”. Questo articolo completo serve come un importante prequel di questo post, se sei un principiante o volete semplicemente rispolverare i concetti di bias e varianza prima di immergersi con tutta la forza nel mare di modellazione Ensemble. Tutti gli altri tra il pubblico possono facilmente passare a sapere di più sulla modellazione Ensemble dalla mia penna. Ricorrerò a citare alcuni esempi di vita reale per semplificare i concetti di cosa,perché e come dei modelli di ensemble con particolare attenzione alle tecniche di insaccamento e potenziamento.

Scenario 1: Hai bisogno di un nuovo paio di cuffie. Ora, è probabile che tu entri in un negozio e compri le cuffie che le persone di vendita ti mostrano? Al momento di questo giorno ed età, sono sicuro che la risposta è NO perché ci affidiamo molto alla nostra “ricerca” prima di acquistare qualsiasi cosa al giorno d’oggi. Si dovrebbe sfogliare alcuni portali di tecnologia web e controllare le recensioni degli utenti e sarebbe quindi confrontare diversi modelli che ti interessano durante il controllo per le loro caratteristiche e prezzi. Probabilmente chiederai anche ai tuoi amici e colleghi la loro opinione. In breve, non raggiungeresti direttamente una conclusione, ma prenderai invece una decisione informata dopo aver accuratamente studiato la tua strada.

Ora, può dare un’occhiata alla definizione tecnica dei metodi di apprendimento Ensemble.

Ensemble modelli di apprendimento automatico combinare le decisioni da più modelli di migliorare le prestazioni complessive. Essi operano sull’idea simile come impiegato durante l’acquisto di cuffie.

Le principali cause di errore nei modelli di apprendimento sono dovute a rumore, bias e varianza.

I metodi Ensemble aiutano a minimizzare questi fattori. Questi metodi sono progettati per migliorare la stabilità e l’accuratezza degli algoritmi di apprendimento automatico.

Scenario 2: Supponiamo che tu abbia sviluppato un’app per la salute e il fitness. Prima di renderlo pubblico, si desidera ricevere un feedback critico per chiudere le potenziali scappatoie, se presenti. Puoi ricorrere a uno dei seguenti metodi, leggere e decidere quale metodo è il migliore:

1. Puoi prendere l’opinione del tuo coniuge o dei tuoi amici più cari.
2. Puoi chiedere a un gruppo di tuoi amici e colleghi d’ufficio.
3. Puoi lanciare una versione beta dell’app e ricevere feedback dalla comunità di sviluppo web e dagli utenti non prevenuti.

Nessun punto brownie per indovinare la risposta 😀 Sì, ovviamente rotoleremo con la terza opzione.

Ora, metti in pausa e pensa a quello che hai appena fatto. Hai preso più opinioni da un gruppo abbastanza grande di persone e poi hai preso una decisione informata basata su di loro. Questo è ciò che fanno anche i metodi di Ensemble.

I modelli di ensemble nell’apprendimento automatico combinano le decisioni di più modelli per migliorare le prestazioni complessive.

Scenario 3: Date un’occhiata alla seguente immagine; possiamo vedere un gruppo di bambini bendati che giocano al gioco del “Touch and tell” mentre esaminano un elefante che nessuno di loro aveva mai visto prima. Ognuno di loro avrà una versione diversa su come si presenta un elefante perché ognuno di loro è esposto a una parte diversa dell’elefante. Ora, se diamo loro il compito di presentare un rapporto sulla descrizione dell’elefante, i loro rapporti individuali saranno in grado di descrivere solo una parte con precisione secondo la loro esperienza, ma collettivamente possono combinare le loro osservazioni per dare un rapporto molto accurato sulla descrizione di un elefante.

Allo stesso modo, i metodi di apprendimento ensemble impiegano un gruppo di modelli in cui il risultato combinato è quasi sempre migliore in termini di accuratezza della previsione rispetto all’utilizzo di un singolo modello.

Gli ensemble sono un approccio di divisione e conquista utilizzato per migliorare le prestazioni.