Vsebina
Predstavil: AltaML
V:
Kakšne so glavne prednosti ansambelskega učenja?
A:
Ansambelno učenje ima različne prednosti pri projektih strojnega učenja. Mnoge od teh so povezane z uporabo velikega števila sorazmerno preprostih vozlišč za združevanje nekaterih vhodov in rezultatov.
Na primer, učenje ansambla lahko pomaga vodjem projektov pri soočanju s pristranskostjo in odstopanjem - varianco, ki predstavlja razpršene rezultate, ki jih je težko zbližati, in pristranskost, ki predstavlja napačno kalibracijo ali napako pri usmerjanju potrebnih rezultatov.
Matematična analiza tega, kako deluje vsaka od teh rešitev, skupaj z različnimi praksami, kot sta spodbuda in razgibavanje, je dolga in vključena, toda za tiste, ki osebno ne sodelujejo v strojnem učenju, bo morda dovolj, da razumejo, da celostno učenje v osnovi prinaša decentralizirano, pristop k strojnemu učenju na podlagi soglasja, ki pomaga izboljšati rezultate in zagotoviti natančnost. Pomislite na ansambelno učenje kot na osnovno "množično iskanje" vhodnih točk, da bi lahko pripravili analizo velike slike. V nekem smislu je to tisto, kar se tiče strojnega učenja, AdaBoost ali z njim povezani sistemi pa to počnejo skozi celoten pristop učenja. Drug način, kako ta koncept spraviti v njegove osnove, je razmisliti o starem sloganu: "dve glavi sta boljši od ene" in razmisliti o tem, kako decentralizacija virov ali nadzora pripomore k natančnejšim rezultatom.
En primer učenja ansambla je naključni pristop gozda. V naključnem gozdu ima skupina odločitvenih dreves nekaj prekrivajočega se gradiva in nekaj edinstvenih rezultatov, ki jih združimo, da dosežemo cilj z matematičnim in metodičnim rezultatom. To je primer, kako ansambelno učenje praktično deluje v podporo boljšemu strojnemu učenju v nevronskih omrežjih in drugih sistemih. V osnovnem smislu se podatki "združijo" in so močnejši zaradi svojega decentraliziranega izvora.
