înainte de această postare, am publicat un „Sfântul Graal pentru compromisul varianței părtinitoare, suprasolicitarea și subfitting-ul”. Acest articol cuprinzător servește ca un prequel important pentru acest post, dacă sunteți un începător sau doriți doar să perie conceptele de părtinire și varianță înainte de scufundări cu toată forța în mare de modelare ansamblu. Toți ceilalți din public se pot deplasa cu ușurință pentru a afla mai multe despre modelarea ansamblului din stiloul meu. Voi recurge la citând câteva exemple din viața reală pentru a simplifica conceptele de ce,de ce și cum a modelelor de ansamblu cu accent pe insacuire și tehnici de stimulare.

Scenariul 1: Aveți nevoie de o nouă pereche de căști. Acum, este posibil să intri într-un magazin și să cumperi căștile pe care ți le arată oamenii de vânzări? În contextul acestei zile și al vârstei, sunt sigur că răspunsul este nu, deoarece ne bazăm foarte mult pe „cercetarea” noastră înainte de a cumpăra ceva în zilele noastre. V-ar căuta câteva portaluri de Tehnologie web și verificați recenziile utilizatorilor și apoi ar compara diferite modele care vă interesează în timp ce verificarea pentru caracteristicile și prețurile lor. De asemenea, probabil că veți întreba prietenii și colegii pentru părerea lor. Pe scurt, nu veți ajunge direct la o concluzie, ci veți lua o decizie în cunoștință de cauză după ce vă cercetați temeinic drumul.

acum, poate arunca o privire la definiția tehnică a metodelor de învățare ansamblu.

modelele de ansamblu în învățarea automată combină deciziile de la mai multe modele pentru a îmbunătăți performanța generală. Ei operează pe ideea similară ca angajat în timp ce cumpără căști.

principalele cauze ale erorilor în modelele de învățare se datorează zgomotului, părtinirii și varianței.

metodele de ansamblu ajută la minimizarea acestor factori. Aceste metode sunt concepute pentru a îmbunătăți stabilitatea și acuratețea algoritmilor de învățare automată.

scenariul 2: Să presupunem că ați dezvoltat o aplicație de sănătate și fitness. Înainte de a-l face public, doriți să primiți feedback critic pentru a închide potențialele lacune, dacă există. Puteți recurge la una dintre următoarele metode, citiți și decideți ce metodă este cea mai bună:

1. puteți lua opinia soțului / soției sau a celor mai apropiați prieteni.
2. puteți întreba o grămadă de prieteni și colegi de birou.
3. puteți lansa o versiune beta a aplicației și de a primi feedback de la comunitatea de dezvoltare web și utilizatorii non-părtinitoare.

nu există puncte brownie pentru a ghici răspunsul 😀 da, bineînțeles că vom rula cu a treia opțiune.

acum, pauză și cred că ceea ce tocmai ai făcut. Ai luat mai multe opinii de la o grămadă suficient de mare de oameni și apoi a făcut o decizie informată bazată pe ele. Aceasta este ceea ce fac și metodele de ansamblu.

modelele de ansamblu în învățarea automată combină deciziile de la mai multe modele pentru a îmbunătăți performanța generală.

scenariul 3: aruncați o privire la următoarea imagine; putem vedea un grup de copii legați la ochi jucând jocul „Atingeți și spuneți” în timp ce examinați un elefant pe care niciunul dintre ei nu l-a văzut vreodată. Fiecare dintre ele va avea o versiune diferită cu privire la modul în care arată un elefant, deoarece fiecare dintre ele este expus la o altă parte a elefantului. Acum, dacă le dăm sarcina de a prezenta un raport despre descrierea elefantului, rapoartele lor individuale vor putea descrie doar o parte exact ca pe experiența lor, dar colectiv își pot combina observațiile pentru a oferi un raport foarte precis despre descrierea unui elefant.în mod similar, metodele de învățare în ansamblu utilizează un grup de modele în care rezultatul combinat din ele este aproape întotdeauna mai bun în ceea ce privește precizia Predicției în comparație cu utilizarea unui singur model.

ansamblurile sunt o abordare divide și conquer utilizată pentru a îmbunătăți performanța.