Увод у ансамбл методе у машинском учењу
У овом чланку ћемо видети структуру ансамбл метода у машинском учењу. Ансамблно учење је комбинација различитих техника машинског учења у предиктивни модел за побољшање предвиђања. Ансамблино учење се стиче да би се смањила разлика у предиктивним подацима. Ова врста учења има за циљ да умањи пристрасност модела. Ансамблино учење је систем мулти-модела у којем се различити класификатори или технике стратешки комбинују да би се класификовали или предвиђали статистички подаци из сложеног проблема с бољом тачношћу. Циљ таквог учења је да се умањи вероватноћа лошег одабира модела. Оно одређује поверење у одлуку коју је донео модел. Идеја одабира оптималних карактеристика реализована је у учењу ансамбла.
Врсте ансамбл метода у машинском учењу
Методе ансамбла помажу у креирању више модела и затим их комбинују да би се побољшали резултати, а неки ансамбл методи су подељени у следеће групе:
1. Секвенцијалне методе
У овој врсти Енсембле методе постоје секвенцијално генерисани основни полазници у којима постоји зависност од података. Сви други подаци у основном учењу имају одређену зависност од претходних података. Дакле, претходни погрешно обележени подаци се подешавају на основу његове тежине да би се побољшао рад целокупног система.
Пример : Појачавање
2. Паралелна метода
У овој врсти Енсембле методе, основни ученик се генерише паралелним редоследом у којем зависност од података не постоји. Сви подаци у основном полазнику се генеришу независно.
Пример : Слагање
3. Хомогени ансамбл
Такав начин ансамбла је комбинација истих типова класификатора. Али скуп података је различит за сваки класификатор. Ово ће учинити да комбиновани модел делује прецизније након прикупљања резултата из сваког модела. Ова врста метода ансамбла ради са великим бројем скупова података. У хомогеној методи, метода одабира карактеристика је иста за различите податке о тренингу. Рачунало је скупо.
Пример: Популарне методе као што су пакирање и јачање улазе у хомогени ансамбл.
4. Хетерогени ансамбл
Такав начин ансамбла представља комбинацију различитих врста класификатора или модела машинског учења у којима је сваки класификатор изграђен на истим подацима. Такав метод делује за мале скупове података. У хетерогености, метода одабира карактеристика је различита за исте податке о тренингу. Укупни резултат ове методе ансамбла постиже се просечним резултатом сваког комбинованог модела.
Пример : Слагање
Техничка класификација ансамбл метода
Испод је техничка класификација метода ансамбла:
1. Торба
Ова метода ансамбла комбинује два модела машинског учења, тј. Покретање и здруживање у један модел ансамбла. Циљ методе пакирања је смањити велику варијансу модела. Стабла одлука имају варијанцу и малу пристраност. Велики скуп података је (рецимо 1000 узорака) под-узорак (рецимо 10 подузорака сваки носи 100 узорака података). Стабло вишеструких одлука уграђено је на сваки подузорак података о обуци. Док се бацају подаци о узорковању на различитим стаблима одлука, смањује се забринутост због прекомјерног прилагођавања података о тренингу за свако стабло одлука. За ефикасност модела, свако појединачно стабло одлука се узгаја дубоко, садржи податке о подузивању обуке. Резултати сваког стабла одлука сакупљају се да би се разумела коначна предвиђања. Различитост збирних података смањује се. Тачност предвиђања модела у начину пакирања зависи од броја кориштеног стабла одлучивања. Различити под-узорци података узорака бирају се насумично са замјеном. Излаз сваког стабла има високу повезаност.
2. Појачавање
Ансамбл за јачање такође комбинује различите исте врсте класификатора. Појачавање је једна од метода узастопних ансамбла у којима се сваки модел или класификатор покреће на основу карактеристика које ће користити следећи модел. На овај начин, метода потицања прави јачи модел ученика од слабих модела ученика тако што се израчунава просечна тежина. Другим речима, снажнији обучени модел зависи од вишеструко слабих обучених модела. Модел са слабим учеником или обучени модел је који је мање корелиран са истинском класификацијом. Али следећи слаб ученик је мало више повезан са истинском класификацијом. Комбинација тако различитих слабих ученика даје снажног ученика који је добро повезан са истинском класификацијом.
3. Слагање
Ова метода такође комбинује више класификација или регресијских техника користећи мета-класификатор или мета-модел. Модели нижих нивоа се обучавају са комплетним подацима о обуци, а затим се комбиновани модел обучава са исходима модела нижег нивоа. За разлику од потицања, сваки модел нижег нивоа пролази се паралелним тренинзима. Предвиђање из модела нижег нивоа користи се као улаз за следећи модел као база података за обуку и формира стап у којем је горњи слој модела обученији од доњег слоја модела. Модел горњег слоја има добру тачност предвиђања и они су изграђени на основу модела нижег нивоа. Количина се повећава све док се најбоље предвиђање не спроведе са минималном грешком. Предвиђање комбинованог модела или мета-модела заснива се на предвиђању различитих слабих модела или модела нижих слојева. Фокусира се на производњу мање пристраности модела.
4. Случајна шума
Насумична шума мало се разликује од смећа јер користи дубока стабла која су уграђена на узорке за чизме. Резултат сваке тресе је комбинован да би се смањила разлика. Док расте свако стабло, уместо да генерише узорак за покретање система на основу посматрања у скупу података, ми такође узоркујемо скуп података на основу карактеристика и користимо само случајни подскуп таквог узорка за изградњу стабла. Другим речима, узорковање скупа података врши се на основу карактеристика које смањују повезаност различитих резултата. Насумична шума је добра за одлучивање о недостајућим подацима. Насумична шума значи случајни избор подскупине узорка који смањује шансе за добијање сродних вредности предвиђања. Свако дрво има различиту структуру. Насумична шума резултира лаганим порастом пристраности шуме, али због просечења свих мање повезаних предвиђања код различитих стабала резултирајућа варијанта се смањује и даје у целини боље перформансе.
Закључак
Мулти-моделни приступ ансамбла реализован је моделима дубоког учења у којима су сложени подаци проучавани и обрађени кроз тако различите комбинације класификатора да би се постигло боље предвиђање или класификација. Предвиђање сваког модела учења ансамбла мора бити некоректније. То ће задржати пристраност и варијансу модела што је могуће ниже. Модел ће бити ефикаснији и предвидјети излаз уз минималну грешку. Ансамбл је надзирани алгоритам учења, јер се модел претходно тренирао са скупом података за предвиђање. Код учења ансамбла, број класификатора компоненти треба да буде исти као ознаке класе да би се постигла висока тачност.
Препоручени чланци
Ово је водич за ансамбл методе у машинском учењу. Овде смо расправљали о важним врстама ансамбл метода у машинском учењу, заједно са техничком класификацијом. Можете и да прођете кроз друге наше предложене чланке да бисте сазнали више -
- Увод у ансамбл технике
- Машинско учење Животни циклус са предностима
- Алгоритми машинског учења
- Топ 24 питања о интервјуу за машинско учење