före detta inlägg har jag publicerat en ”helig gral för bias variance trade-off, Overfitting och underfitting”. Denna omfattande artikel fungerar som en viktig prequel till det här inlägget om du är nybörjare eller bara vill fräscha upp begreppen bias och varians innan du dyker in med full kraft i havet av Ensemblemodellering. Alla andra i publiken kan lätt gå vidare för att veta mer om Ensemblemodellering från min penna. Jag kommer att tillgripa citera några verkliga exempel för att förenkla begreppen vad,varför och hur av ensemblemodellerna med fokus på uppsamlare och öka tekniker.

Scenario 1: Du behöver ett nytt par hörlurar. Är det troligt att du bara går in i en butik och köper hörlurarna som säljarna visar dig? Vid tidpunkten för denna dag och ålder, Jag är säker på att svaret är nej eftersom vi är starkt beroende av vår ”forskning” innan du köper något nuförtiden. Du skulle bläddra i några webbteknologiportaler och kontrollera användarrecensionerna och skulle sedan jämföra olika modeller som intresserar dig när du letar efter deras funktioner och priser. Du kommer också förmodligen att be dina vänner och kollegor om deras åsikt. Kort sagt, du skulle inte direkt nå en slutsats, men kommer istället att fatta ett välgrundat beslut efter att ha grundligt undersökt dig igenom.

Nu, kan ta en titt på den tekniska definitionen av Ensemble inlärningsmetoder.

ensemblemodeller i maskininlärning kombinerar besluten från flera Modeller för att förbättra den totala prestandan. De arbetar på samma sätt som anställda när de köper hörlurar.

de främsta orsakerna till fel i inlärningsmodeller beror på buller, bias och varians.

Ensemblemetoder hjälper till att minimera dessa faktorer. Dessa metoder är utformade för att förbättra stabiliteten och noggrannheten hos maskininlärningsalgoritmer.

Scenario 2: Låt oss anta att du har utvecklat en hälso-och fitnessapp. Innan du gör det offentligt vill du få kritisk feedback för att stänga eventuella kryphål, om några. Du kan tillgripa en av följande metoder, läsa och bestämma vilken metod som är bäst:

1. Du kan ta din makas eller dina närmaste vänners åsikt.
2. Du kan fråga en massa dina vänner och kontorskollegor.
3. Du kan starta en betaversion av appen och få feedback från webbutvecklingsgemenskapen och icke-partiska användare.

inga brownie poäng för att gissa svaret: D ja, naturligtvis kommer vi att rulla med det tredje alternativet.

nu, pausa och tänk vad du just gjorde. Du tog flera åsikter från en tillräckligt stor massa människor och fattade sedan ett välgrundat beslut baserat på dem. Detta är vad Ensemblemetoder också gör.

Ensemblemodeller i maskininlärning kombinerar besluten från flera Modeller för att förbättra den totala prestandan.

Scenario 3: Ta en titt på följande bild; vi kan se en grupp ögonbindelbarn som spelar spelet ”Touch and tell” medan de undersöker en elefant som ingen av dem någonsin hade sett tidigare. Var och en av dem kommer att ha en annan version av hur ser en elefant ut eftersom var och en av dem utsätts för en annan del av elefanten. Nu, om vi ger dem en uppgift att lämna in en rapport om elefantbeskrivning, kommer deras individuella rapporter att kunna beskriva endast en del exakt enligt deras erfarenhet men kollektivt kan de kombinera sina observationer för att ge en mycket exakt rapport om beskrivningen av en elefant.på samma sätt använder ensembleinlärningsmetoder en grupp modeller där det kombinerade resultatet av dem nästan alltid är bättre när det gäller förutsägelsens noggrannhet jämfört med att använda en enda modell.

ensembler är en klyfta och erövra metod som används för att förbättra prestanda.