Simple guide for ensemble learning methods
wat, waarom, hoe en Bagging-Boosting gedemystificeerd, nogal onconventioneel uitgelegd, Lees verder:)
voor dit bericht heb ik een “holy grail for bias variance trade-off, overfitting and Underfitting”gepubliceerd. Dit uitgebreide artikel dient als een belangrijke prequel voor dit bericht als je een newbie of wil gewoon opfrissen van de concepten van bias en variantie voordat duiken in met volle kracht in de zee van Ensemble modellering. Alle anderen in het publiek kunnen gemakkelijk verder om meer te weten te komen over Ensemble modellering vanuit mijn pen. Ik zal mijn toevlucht nemen tot het citeren van enkele voorbeelden uit het echte leven om de concepten van wat,waarom en hoe van de ensemblemodellen te vereenvoudigen met de nadruk op bagging en boosting technieken.
Scenario 1: Je hebt een nieuwe koptelefoon nodig. Is het waarschijnlijk dat je gewoon een winkel binnenloopt en de koptelefoon koopt die de verkopers je laten zien? Op het moment van deze dag en leeftijd, Ik ben er zeker van dat het antwoord is nee, omdat we sterk afhankelijk zijn van onze “onderzoek” voor het kopen van iets tegenwoordig. U zou bladeren een paar webtechnologie portals en controleer de gebruikersbeoordelingen en zou dan vergelijken verschillende modellen die u interesseren, terwijl het controleren van hun functies en prijzen. U zult waarschijnlijk ook uw vrienden en collega ‘ s om hun mening vragen. Kortom, je zou niet direct tot een conclusie komen, maar zal in plaats daarvan een weloverwogen beslissing te nemen na grondig onderzoek van uw weg door.
nu, kan een kijkje nemen op de technische definitie van Ensemble leermethoden.
Ensemblemodellen in machine learning combineer de beslissingen van meerdere modellen om de algehele prestaties te verbeteren. Ze werken op het soortgelijke idee als gebruikt tijdens het kopen van een hoofdtelefoon.
de belangrijkste oorzaken van fouten in leermodellen zijn te wijten aan ruis, bias en variantie.
Ensemble methoden helpen om deze factoren te minimaliseren. Deze methodes zijn ontworpen om de stabiliteit en de nauwkeurigheid van machine het leren algoritmen te verbeteren.
Scenario 2: Stel dat u een gezondheids-en fitnessapp hebt ontwikkeld. Voordat u het openbaar maakt, wilt u kritische feedback ontvangen om de mogelijke mazen in de wet te sluiten, indien van toepassing. U kunt gebruik maken van een van de volgende methoden, lezen en beslissen welke methode is de beste:
- u kunt de mening van uw echtgenoot of uw naaste vrienden te nemen.
- u kunt het een stel van uw vrienden en collega ‘ s op kantoor vragen.
- u kunt een bètaversie van de app starten en feedback ontvangen van de webontwikkelingsgemeenschap en niet-bevooroordeelde gebruikers.
geen brownie punten voor het Raden van het antwoord: D Ja, natuurlijk zullen we rollen met de derde optie.
pauzeer nu en denk na over wat je net hebt gedaan. Je nam meerdere meningen aan van een groot genoeg aantal mensen en nam vervolgens een weloverwogen beslissing op basis van hen. Dit is wat Ensemble methoden ook doen.
Ensemblemodellen in machine learning combineren de beslissingen van meerdere modellen om de algehele prestaties te verbeteren.
Scenario 3: Neem een kijkje op de volgende afbeelding; we zien een groep geblinddoekte kinderen die het spel “Touch and tell” spelen terwijl ze een olifant onderzoeken die geen van hen ooit eerder had gezien. Elk van hen zal een andere versie hebben over hoe een olifant eruit ziet omdat elk van hen wordt blootgesteld aan een ander deel van de olifant. Nu, als we hen een taak geven om een rapport in te dienen over de beschrijving van olifanten, zullen hun individuele rapporten in staat zijn om slechts één deel nauwkeurig te beschrijven volgens hun ervaring, maar gezamenlijk kunnen ze hun waarnemingen combineren om een zeer nauwkeurig rapport te geven over de beschrijving van een olifant.
op dezelfde manier maken ensemble-leermethoden gebruik van een groep modellen waarbij het gecombineerde resultaat ervan bijna altijd beter is in termen van voorspellingsnauwkeurigheid in vergelijking met het gebruik van een enkel model.
Ensembles zijn een verdeel en heers benadering die wordt gebruikt om de prestaties te verbeteren.
Leave a Reply