이전에 게시물을 게시하는”거룩한 성배를 위해 바이어스 차단,과대 적합과 Underfitting”. 이 포괄적 문서에서 제공하는 중요한 전편이 이 게시는 경우는 초보자 또는 브러시의 개념은 편견과 분산하기 전에 다이빙으로 전체 강의 바다에서 앙상블 플랫폼을 수립하고 있는 것입니다. 청중의 다른 모든 사람들은 내 펜에서 앙상블 모델링에 대해 더 많이 알기 위해 쉽게 넘어갈 수 있습니다. 나는 것입니다 리조트를 인용하는 실제 예를 단순화하의 개념을 무엇을,는 이유와 방법을 앙상블의 모델에 초점을 자루에 넣고 밀어주는 기술입니다.

시나리오 1: 새로운 헤드폰 쌍이 필요합니다. 지금,당신은 그냥 가게에 걸어 판매 사람들이 당신에게 보여 헤드폰을 살 가능성이 있습니까? 의 시점에 이 시대에,나는 그 대답은 아니기 때문에 우리에 크게 의존하고 우리의”연구”를 구입하기 전에 아무것도 요즘입니다. 당신은 몇 가지를 찾아 포털 및 웹 기술을 확인 사용자 리뷰 및 그 비교는 다른 모델에 관심을 확인하는 동안에 대한 자신의 기능과 가격입니다. 당신은 또한 아마 당신의 친구와 동료들에게 그들의 의견을 물을 것입니다. 즉,당신은 없을 직접 결론에 도달하지만,대신 정보를 의사 결정을 한 후 철저하게 연구하고 당신의 방법을 통해입니다.

이제 앙상블 학습 방법의 기술적 정의를 살펴볼 수 있습니다.

앙상블 모델에서 기계학습을 결합한 의사 결정에서의 여러 모형을 개선하는 전반적인 성능을 개선합니다. 그들은 헤드폰을 구입하는 동안 고용과 유사한 아이디어에 작동합니다.

학습 모델의 오류의 주요 원인은 잡음,편향 및 분산 때문입니다.

앙상블 방법은 이러한 요소를 최소화하는 데 도움이됩니다. 이러한 방법은 기계 학습 알고리즘의 안정성과 정확성을 향상 시키도록 설계되었습니다.

시나리오 2:건강 및 피트니스 앱을 개발했다고 가정 해 봅시다. 공개하기 전에 잠재적 인 허점(있는 경우)을 폐쇄하기 위해 중요한 피드백을 받기를 바랍니다. 다음 방법 중 하나에 의지하여 읽고 어떤 방법이 가장 적합한 지 결정할 수 있습니다:

당신은 당신의 친구와 사무실 동료의 무리를 요청할 수 있습니다.
1. 앱의 베타 버전을 실행하고 웹 개발 커뮤니티 및 편향되지 않은 사용자로부터 피드백을받을 수 있습니다.

답을 추측하기위한 브라우니 포인트 없음:D 예,물론 우리는 세 번째 옵션으로 굴러 갈 것입니다.

이제 잠시 멈추고 방금 한 일을 생각해보십시오. 당신은 충분히 큰 무리의 사람들로부터 여러 의견을 취한 다음 그들을 기반으로 정보에 입각 한 결정을 내 렸습니다. 이것은 앙상블 방법도하는 것입니다.

앙상블 모델에서 기계학습을 결합한 의사 결정에서의 여러 모형을 개선하는 전반적인 성능을 개선합니다.

시나리오 3:살펴보면 다음 그림을 수 있습니다;우리는 참 그룹의 눈을 가리고 어린이의 게임”터치고 말하면서”검은 코끼리는 그들의 아무도 전에 본 적이 있었다. 그들 각각의 다른 버전으로 어떻게 코끼리 같기 때문에 그들 각각의 노출의 다른 부분의 코끼리가 있습니다. 지금는 경우에,우리는 그들에게 작업을 제출하는 보고서 코끼리에 대한 설명,그들의 개인적인 보고서를 설명할 수 있을 것임 한 부분이 정확하게 당신이 경험하지만 그들은 공동으로 결합 할 수 있습니다 그들의 관찰하는 매우 정확한 보고서에서 설명의 코끼리가 있습니다.

마찬가지로,앙상블을 학습 방법을 사용한 그룹의 모델을 결합한 결과 그들은 거의 항상 더 나은 측면에서의 예측정확도를 사용하는 것과 비교하여 하나의 모델이다.

앙상블은 성능을 향상시키는 데 사용되는 분할 및 정복 방식입니다.