Antes que este post, eu ter publicado um “Santo graal para o Viés de desvio de trade-off, Overfitting e Underfitting”. Este artigo abrangente serve como uma prequela importante para este post se você é um novato ou gostaria apenas de escovar os conceitos de viés e variância antes de mergulhar com toda a força no mar de modelagem conjunto. Todos os outros na platéia podem prontamente seguir em frente para saber mais sobre modelos Ensemble a partir da minha caneta. Vou recorrer a citar alguns exemplos da vida real para simplificar os conceitos do que, por que e como dos modelos ensemble com foco em ensacar e impulsionar técnicas.

o Cenário 1: Precisas de um novo par de auscultadores. É provável que entre numa loja e compre os auscultadores que os vendedores lhe mostram? Na conjuntura atual, estou certo de que a resposta é não, porque dependemos muito de nossa “pesquisa” antes de comprar qualquer coisa hoje em dia. Você iria navegar em alguns portais de tecnologia web e verificar as opiniões do Usuário e, em seguida, comparar diferentes modelos que lhe interessam ao verificar as suas características e preços. Provavelmente também pedirá a opinião dos seus amigos e colegas. Em resumo, você não chegaria diretamente a uma conclusão, mas, em vez disso, tomaria uma decisão informada depois de pesquisar exaustivamente o seu caminho.

agora, pode dar uma olhada na definição técnica de métodos de aprendizagem em conjunto.

Ensemble modelos de aprendizado de máquina de combinar as decisões a partir de vários modelos para melhorar o desempenho global. Eles operam com a mesma ideia que os empregados enquanto compravam auscultadores.

As principais causas de erro nos modelos de aprendizagem são devido ao ruído, viés e variância.os métodos de Conjunto ajudam a minimizar estes factores. Estes métodos são projetados para melhorar a estabilidade e a precisão dos algoritmos de aprendizagem de máquinas.

Cenário 2: Vamos supor que você desenvolveu um aplicativo de saúde e fitness. Antes de torná-lo público, você deseja receber feedback crítico para fechar as potenciais Lacunas, se houver. Você pode recorrer a um dos seguintes métodos, ler e decidir qual é o melhor método:pode tomar a opinião do seu cônjuge ou dos seus amigos mais próximos.pode perguntar a alguns amigos e colegas de escritório.

sem pontos de navegação para adivinhar a resposta: D Sim, é claro que vamos rolar com a terceira opção.faça uma pausa e pense no que acabou de fazer. Você tomou várias opiniões de um grande grupo de pessoas e, em seguida, tomou uma decisão informada com base nelas. Isto é o que os métodos Ensemble também fazem.

Ensemble models in machine learning combinam as decisões de vários modelos para melhorar o desempenho global.

Cenário 3: Dê uma olhada na seguinte imagem; podemos ver um grupo de crianças vendadas jogando o jogo de “Touch and tell” ao examinar um elefante que nenhum deles já tinha visto antes. Cada um deles terá uma versão diferente de como um elefante se parece porque cada um deles é exposto a uma parte diferente do elefante. Agora, se lhes dermos uma tarefa de apresentar um relatório sobre a descrição do elefante, os seus relatórios individuais serão capazes de descrever apenas uma parte com precisão de acordo com a sua experiência, mas colectivamente eles podem combinar as suas observações para dar um relatório muito preciso sobre a descrição de um elefante.da mesma forma, os métodos de aprendizagem em conjunto empregam um grupo de modelos em que o resultado combinado deles é quase sempre melhor em termos de precisão de previsão em comparação com o uso de um único modelo.

conjuntos são uma abordagem de divisão e conquista usada para melhorar o desempenho.