Q:
Каковы некоторые из основных преимуществ ансамблевого обучения?
A:Обучение ансамблю имеет различные преимущества для проектов машинного обучения. Многие из них связаны с использованием большого количества относительно простых узлов для агрегирования некоторых входных и выходных результатов.
Например, ансамблевое обучение может помочь руководителям проектов справиться как со смещением, так и с дисперсией - дисперсией, представляющей разбросанные результаты, которые трудно сходиться, и смещением, представляющим неправильную калибровку или ошибку при нацеливании на необходимые результаты.
Существует длинный и сложный математический анализ того, как работает каждое из этих решений, наряду с различными практиками, такими как повышение и пакетирование, но для тех, кто лично не участвует в машинном обучении, может быть достаточно понять, что ансамблевое обучение в основном приводит к децентрализации, основанный на консенсусе подход к машинному обучению, который помогает уточнить результаты и обеспечить точность. Думайте об ансамблевом обучении как о важном «краудсорсинге» точек ввода, чтобы получить общий анализ картины. В некотором смысле, это то, что представляет собой машинное обучение, и AdaBoost или связанные с ним системы делают это с помощью ансамблевого подхода к обучению. Еще один способ свести эту концепцию к ее основам - подумать о старом лозунге: «две головы лучше, чем одна» и подумать о том, как децентрализация источников или контроля помогает получить более точные результаты.
Одним из примеров ансамблевого обучения является случайный лесной подход. В случайном лесу группа деревьев решений имеет некоторый перекрывающийся материал и некоторые уникальные результаты, которые смешиваются вместе для достижения цели с математическим и методическим результатом. Это пример того, как ансамблевое обучение работает практически для поддержки лучшего машинного обучения в нейронных сетях и других системах. В базовом смысле данные «сливаются» и сильнее для своего децентрализованного происхождения.
