før dette innlegget har jeg publisert en «holy grail For bias variance trade-Off, Overfitting and underfitting». Denne omfattende artikkelen fungerer som en viktig prequel til dette innlegget hvis du er nybegynner eller bare ønsker å friske opp begrepene skjevhet og varians før dykking i med full kraft i Havet Av Ensemble modellering. Alle de andre i publikum kan lett gå videre for å vite mer Om Ensemble modellering fra min penn. Jeg vil ty til å sitere noen virkelige eksempler for å forenkle begrepene hva, hvorfor og hvordan av ensemble modeller med fokus på bagging og forsterke teknikker.

Scenario 1: Du trenger et nytt par hodetelefoner. Nå er det sannsynlig at du bare går inn i en butikk og kjøper hodetelefonene som selgerne viser deg? På tidspunktet for denne dagen og alder, er jeg sikker PÅ at svaret ER NEI fordi vi stole tungt på vår «forskning» før du kjøper noe i dag. Du vil bla gjennom noen web-teknologi portaler og sjekke brukeranmeldelser og vil deretter sammenligne ulike modeller som interesserer deg mens du sjekker for sine funksjoner og priser. Du vil også sannsynligvis spørre dine venner og kolleger for deres mening. Kort sagt, du ville ikke direkte komme til en konklusjon, men vil i stedet ta en informert beslutning etter grundig forske deg gjennom.

Nå, kan ta en titt på den tekniske definisjonen Av Ensemble læringsmetoder.

ensemble-modeller i maskinlæring kombinerer beslutningene fra flere modeller for å forbedre den generelle ytelsen. De opererer på den samme ideen som ansatt mens du kjøper hodetelefoner.

hovedårsakene til feil i læringsmodeller skyldes støy, skjevhet og varians.

Ensemble metoder bidrar til å minimere disse faktorene. Disse metodene er utformet for å forbedre stabiliteten og nøyaktigheten Av Maskinlæringsalgoritmer.

Scenario 2: la oss anta at du har utviklet en helse-og treningsapp. Før du gjør det offentlig, ønsker du å motta kritisk tilbakemelding for å lukke de potensielle smutthullene, hvis noen. Du kan ty til en av følgende metoder, lese og bestemme hvilken metode som er best:

1. Du kan ta mening av din ektefelle eller dine nærmeste venner.
2. du kan spørre en haug med dine venner og kontor kolleger.
3. du kan starte en betaversjon av appen og motta tilbakemelding fra webutviklingssamfunnet og ikke-partiske brukere.

ingen brownie poeng for å gjette svaret: D Ja, selvfølgelig vil vi rulle med det tredje alternativet.

nå, pause og tenk hva du nettopp gjorde. Du tok flere meninger fra en stor nok haug med mennesker og deretter gjort en avgjørelse basert på dem. Dette er Hva Ensemblemetoder også gjør.

Ensemble modeller i maskinlæring kombinerer beslutninger fra flere modeller for å forbedre den generelle ytelsen.

Scenario 3: Ta en titt på følgende bilde; vi kan se en gruppe med bind for øynene barn som spiller spillet «Touch and tell» mens undersøke en elefant som ingen av dem noensinne hadde sett før. Hver av dem vil ha en annen versjon om hvordan en elefant ser ut fordi hver av dem er utsatt for en annen del av elefanten. Nå, hvis vi gir dem en oppgave å sende inn en rapport om elefantbeskrivelse, vil deres individuelle rapporter kun kunne beskrive en del nøyaktig i henhold til deres erfaring, men samlet kan de kombinere sine observasjoner for å gi en svært nøyaktig rapport om beskrivelsen av en elefant.på Samme måte bruker ensemblelæringsmetoder en gruppe modeller der det kombinerte resultatet av dem nesten alltid er bedre når det gjelder prediksjonsnøyaktighet sammenlignet med å bruke en enkelt modell.

Ensembler er en splitt og hersk tilnærming som brukes til å forbedre ytelsen.