prosty przewodnik po metodach uczenia się
co, dlaczego, jak i jak, wyjaśnione dość niekonwencjonalnie, Czytaj dalej:)
przed tym postem opublikowałem „Święty Graal dla odchylenia odchylenia, overfitting i underfitting”. Ten obszerny artykuł służy jako ważny prequel tego postu, jeśli jesteś początkującym lub po prostu chcesz odświeżyć pojęcia odchylenia i wariancji przed zanurzeniem się z pełną siłą w morzu modelowania zespołu. Wszyscy inni na widowni mogą z łatwością dowiedzieć się więcej o modelowaniu zespołowym z mojego pióra. Będę uciekał się do cytowania prawdziwych przykładów, aby uprościć koncepcje co, dlaczego i jak modeli zespołu, koncentrując się na technikach pakowania i zwiększania.
scenariusz 1: Potrzebujesz nowej pary słuchawek. Czy jest prawdopodobne, że wejdziesz do sklepu i kupisz słuchawki, które pokazują Ci sprzedawcy? Na styku dzisiejszych czasów jestem pewien, że odpowiedź brzmi „NIE”, ponieważ przed zakupem czegokolwiek w dzisiejszych czasach polegamy w dużej mierze na naszych „badaniach”. Przeglądasz kilka portali internetowych i sprawdzasz opinie użytkowników, a następnie porównujesz różne modele, które Cię interesują, sprawdzając ich funkcje i ceny. Prawdopodobnie poprosisz również znajomych i kolegów o ich opinię. Krótko mówiąc, nie dojdziesz bezpośrednio do wniosku,ale zamiast tego podejmiesz świadomą decyzję po dokładnym zbadaniu swojej drogi.
teraz można przyjrzeć się technicznej definicji metod uczenia się.
modele ensemble w uczeniu maszynowym łączą decyzje z wielu modeli, aby poprawić ogólną wydajność. Działają na podobnym pomyśle, jak przy zakupie słuchawek.
głównymi przyczynami błędów w modelach uczenia się są hałas, odchylenie i wariancja.
metody Ensemble pomagają zminimalizować te czynniki. Metody te mają na celu poprawę stabilności i dokładności algorytmów uczenia maszynowego.
Scenariusz 2: Załóżmy, że opracowałeś aplikację do spraw zdrowia i fitnessu. Przed upublicznieniem, chcesz otrzymać krytyczne informacje zwrotne, aby zamknąć potencjalne luki, jeśli w ogóle. Możesz skorzystać z jednej z następujących metod, przeczytać i zdecydować, która metoda jest najlepsza:
- możesz zasięgnąć opinii współmałżonka lub najbliższych przyjaciół.
- możesz poprosić grupę swoich przyjaciół i kolegów z biura.
- możesz uruchomić wersję beta aplikacji i otrzymać informacje zwrotne od społeczności programistów internetowych i niezobowiązujących użytkowników.
nie ma punktów za odgadnięcie odpowiedzi: D Tak, oczywiście będziemy toczyć z trzecią opcją.
zastanów się, co właśnie zrobiłeś. Zebrałeś wiele opinii od wystarczająco dużej grupy ludzi, a następnie podjąłeś świadomą decyzję na ich podstawie. To właśnie robią również metody zespołowe.
modele Ensemble w uczeniu maszynowym łączą decyzje z wielu modeli, aby poprawić ogólną wydajność.
Scenariusz 3: spójrz na poniższy obrazek; widzimy grupę dzieci z zawiązanymi oczami grających w grę „Dotknij i powiedz”, badając słonia, którego żadne z nich nigdy wcześniej nie widziało. Każdy z nich będzie miał inną wersję, jak wygląda słoń, ponieważ każdy z nich jest wystawiony na działanie innej części słonia. Teraz, jeśli powierzymy im zadanie złożenia raportu na temat opisu słonia, ich poszczególne raporty będą w stanie opisać tylko jedną część dokładnie zgodnie z ich doświadczeniem, ale zbiorczo mogą połączyć swoje obserwacje, aby dać bardzo dokładny raport na temat opisu słonia.
podobnie, metody ensemble learning wykorzystują grupę modeli, w których łączny wynik z nich jest prawie zawsze lepszy pod względem dokładności przewidywania w porównaniu z użyciem pojedynczego modelu.
Leave a Reply