Jadual Kandungan
3. Anggaran keyakinan
Oleh itu, pengelas ensemble yang dipilih biasanya mempunyai varians yang tinggi dan bias yang rendah.
Rumah Peranti teknologi AI Memperkenalkan definisi, senario penggunaan, algoritma dan teknik pembelajaran ensembel

Memperkenalkan definisi, senario penggunaan, algoritma dan teknik pembelajaran ensembel

Jan 22, 2024 pm 10:03 PM
pembelajaran mesin

Memperkenalkan definisi, senario penggunaan, algoritma dan teknik pembelajaran ensembel

Pembelajaran ensemble ialah satu kaedah untuk mencapai kata sepakat dengan menyepadukan ciri-ciri menonjol berbilang model. Dengan menggabungkan ramalan daripada pelbagai model, rangka kerja pembelajaran ensemble boleh meningkatkan keteguhan ramalan dan dengan itu mengurangkan ralat ramalan. Dengan menyepadukan kelebihan berbeza berbilang model, pembelajaran ensemble boleh menyesuaikan dengan lebih baik kepada pengedaran data yang kompleks dan ketidakpastian, dan meningkatkan ketepatan dan keteguhan ramalan.

Untuk memahami secara ringkas, pembelajaran ensemble menangkap maklumat pelengkap daripada model yang berbeza.

Dalam artikel ini, mari kita lihat situasi yang akan menggunakan pembelajaran ensemble, dan apakah algoritma dan teknik yang ada untuk pembelajaran ensemble? Aplikasi Pembelajaran Ensemble sempadan keputusan yang lebih arif. . pengelas. Dan dalam kes di mana set data yang tersedia adalah lebih kecil, strategi penyepaduan berpandu boleh digunakan.

3. Anggaran keyakinan

Inti rangka kerja ensemble adalah berdasarkan keyakinan ramalan model yang berbeza.

4. Kerumitan masalah yang tinggi

Satu pengelas mungkin tidak dapat menjana sempadan yang sesuai. Satu kumpulan pengelas linear berbilang boleh menjana sebarang sempadan keputusan polinomial.

5. Gabungan Maklumat

Sebab paling biasa untuk menggunakan model pembelajaran ensemble ialah gabungan maklumat untuk meningkatkan prestasi pengelasan. Iaitu, gunakan model yang telah dilatih mengenai pengagihan data berbeza yang tergolong dalam set kategori yang sama semasa masa ramalan untuk mendapatkan keputusan yang lebih mantap.

Algoritma dan teknik pembelajaran ensembel

Algoritma ensemble bagging

adalah salah satu kaedah ensembel terawal yang dicadangkan. Subsampel dicipta daripada set data dan ia dipanggil "persampelan bootstrap". Ringkasnya, subset rawak set data dibuat menggunakan penggantian, yang bermaksud titik data yang sama mungkin wujud dalam berbilang subset.

Subset ini kini dianggap sebagai set data bebas yang akan sesuai dengan beberapa model pembelajaran mesin. Semasa ujian, ramalan semua model sedemikian yang dilatih pada subset berbeza bagi data yang sama diambil kira. Akhirnya terdapat mekanisme pengagregatan yang digunakan untuk mengira ramalan akhir.

Aliran pemprosesan selari berlaku dalam mekanisme Bagging, yang tujuan utamanya adalah untuk mengurangkan varians dalam ramalan ensemble. , oleh itu, pengelas ensemble yang dipilih biasanya mempunyai varians yang tinggi dan pincang rendah.

Oleh itu, pengelas ensemble yang dipilih biasanya mempunyai varians yang tinggi dan bias yang rendah.

Algoritma integrasi Boosting

Tidak seperti algoritma integrasi Bagging, algoritma integrasi Boosting tidak memproses data secara selari, tetapi memproses set data secara berurutan. Pengelas pertama mengambil keseluruhan set data dan menganalisis ramalan. Kejadian yang gagal menghasilkan ramalan yang betul diberikan kepada pengelas kedua. Kumpulan semua pengelas terdahulu ini kemudiannya dikira untuk membuat ramalan akhir pada data ujian.

Tujuan utama algoritma Boosting adalah untuk mengurangkan berat sebelah dalam membuat keputusan ensemble. Oleh itu, pengelas yang dipilih untuk ensemble biasanya perlu mempunyai varians yang rendah dan pincang yang tinggi, iaitu model yang lebih ringkas dengan parameter yang boleh dilatih yang lebih sedikit.

algoritma ensemble susun

Output model algoritma ini digunakan sebagai input pengelas lain (pengkelas meta), dan sampel akhirnya diramalkan. Tujuan menggunakan pengelas dua lapisan adalah untuk menentukan sama ada data latihan telah dipelajari, membantu pengelas meta membetulkan atau menambah baik sebelum membuat ramalan akhir.

Campuran Pakar

Kaedah ini melatih berbilang pengelas, dan kemudian output disepadukan menggunakan peraturan linear umum. Berat yang diberikan kepada kombinasi ini ditentukan selanjutnya oleh "Rangkaian Gating", yang juga merupakan model yang boleh dilatih, biasanya rangkaian saraf.

Majoriti Undian

Majoriti Undian ialah salah satu skim integrasi yang terawal dan paling mudah dalam literatur. Dalam kaedah ini, bilangan ganjil pengelas penyumbang dipilih dan ramalan daripada pengelas dikira untuk setiap sampel. Kemudian, kebanyakan kelas yang diramalkan yang dianggap sebagai set diperoleh daripada kumpulan pengelas.

Kaedah ini sesuai untuk masalah pengelasan binari kerana hanya dua pengelas calon boleh diundi. Walau bagaimanapun, kaedah berdasarkan skor keyakinan lebih dipercayai buat masa ini.

Peraturan maksimum (Peraturan maksimum)

Kaedah ensembel "Peraturan maksimum" bergantung pada taburan kebarangkalian yang dijana oleh setiap pengelas. Kaedah ini menggunakan konsep "keyakinan ramalan" pengelas, dan untuk kelas yang diramalkan oleh pengelas, skor keyakinan yang sepadan disemak. Pertimbangkan ramalan pengelas dengan skor keyakinan tertinggi sebagai ramalan rangka kerja ensembel.

Purata kebarangkalian

Dalam teknik ensembel ini, markah kebarangkalian berbilang model dikira terlebih dahulu. Kemudian, markah semua model merentas semua kelas dalam set data dipuratakan. Skor kebarangkalian ialah tahap keyakinan dalam ramalan model tertentu. Oleh itu, skor keyakinan beberapa model dikumpulkan untuk menjana skor kebarangkalian akhir ensembel. Kelas dengan kebarangkalian tertinggi selepas operasi purata ditetapkan sebagai ramalan.

Purata Kebarangkalian Berwajaran

Sama seperti kaedah purata kebarangkalian, skor kebarangkalian atau keyakinan diekstrak daripada model penyumbang yang berbeza. Tetapi perbezaannya ialah purata wajaran kebarangkalian dikira. Berat dalam kaedah ini merujuk kepada kepentingan setiap pengelas, iaitu, pengelas yang prestasi keseluruhannya pada set data adalah lebih baik daripada pengelas lain diberi kepentingan yang lebih tinggi apabila mengira ensembel, sekali gus memberikan rangka kerja ensemble Keupayaan ramalan yang lebih baik.

Atas ialah kandungan terperinci Memperkenalkan definisi, senario penggunaan, algoritma dan teknik pembelajaran ensembel. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

15 alat anotasi imej percuma sumber terbuka disyorkan 15 alat anotasi imej percuma sumber terbuka disyorkan Mar 28, 2024 pm 01:21 PM

Anotasi imej ialah proses mengaitkan label atau maklumat deskriptif dengan imej untuk memberi makna dan penjelasan yang lebih mendalam kepada kandungan imej. Proses ini penting untuk pembelajaran mesin, yang membantu melatih model penglihatan untuk mengenal pasti elemen individu dalam imej dengan lebih tepat. Dengan menambahkan anotasi pada imej, komputer boleh memahami semantik dan konteks di sebalik imej, dengan itu meningkatkan keupayaan untuk memahami dan menganalisis kandungan imej. Anotasi imej mempunyai pelbagai aplikasi, meliputi banyak bidang, seperti penglihatan komputer, pemprosesan bahasa semula jadi dan model penglihatan graf Ia mempunyai pelbagai aplikasi, seperti membantu kenderaan dalam mengenal pasti halangan di jalan raya, dan membantu dalam proses. pengesanan dan diagnosis penyakit melalui pengecaman imej perubatan. Artikel ini terutamanya mengesyorkan beberapa alat anotasi imej sumber terbuka dan percuma yang lebih baik. 1.Makesen

Artikel ini akan membawa anda memahami SHAP: penjelasan model untuk pembelajaran mesin Artikel ini akan membawa anda memahami SHAP: penjelasan model untuk pembelajaran mesin Jun 01, 2024 am 10:58 AM

Dalam bidang pembelajaran mesin dan sains data, kebolehtafsiran model sentiasa menjadi tumpuan penyelidik dan pengamal. Dengan aplikasi meluas model yang kompleks seperti kaedah pembelajaran mendalam dan ensemble, memahami proses membuat keputusan model menjadi sangat penting. AI|XAI yang boleh dijelaskan membantu membina kepercayaan dan keyakinan dalam model pembelajaran mesin dengan meningkatkan ketelusan model. Meningkatkan ketelusan model boleh dicapai melalui kaedah seperti penggunaan meluas pelbagai model yang kompleks, serta proses membuat keputusan yang digunakan untuk menerangkan model. Kaedah ini termasuk analisis kepentingan ciri, anggaran selang ramalan model, algoritma kebolehtafsiran tempatan, dsb. Analisis kepentingan ciri boleh menerangkan proses membuat keputusan model dengan menilai tahap pengaruh model ke atas ciri input. Anggaran selang ramalan model

Telus! Analisis mendalam tentang prinsip model pembelajaran mesin utama! Telus! Analisis mendalam tentang prinsip model pembelajaran mesin utama! Apr 12, 2024 pm 05:55 PM

Dalam istilah orang awam, model pembelajaran mesin ialah fungsi matematik yang memetakan data input kepada output yang diramalkan. Secara lebih khusus, model pembelajaran mesin ialah fungsi matematik yang melaraskan parameter model dengan belajar daripada data latihan untuk meminimumkan ralat antara output yang diramalkan dan label sebenar. Terdapat banyak model dalam pembelajaran mesin, seperti model regresi logistik, model pepohon keputusan, model mesin vektor sokongan, dll. Setiap model mempunyai jenis data dan jenis masalah yang berkenaan. Pada masa yang sama, terdapat banyak persamaan antara model yang berbeza, atau terdapat laluan tersembunyi untuk evolusi model. Mengambil perceptron penyambung sebagai contoh, dengan meningkatkan bilangan lapisan tersembunyi perceptron, kita boleh mengubahnya menjadi rangkaian neural yang mendalam. Jika fungsi kernel ditambah pada perceptron, ia boleh ditukar menjadi SVM. yang ini

Evolusi kecerdasan buatan dalam penerokaan angkasa lepas dan kejuruteraan penempatan manusia Evolusi kecerdasan buatan dalam penerokaan angkasa lepas dan kejuruteraan penempatan manusia Apr 29, 2024 pm 03:25 PM

Pada tahun 1950-an, kecerdasan buatan (AI) dilahirkan. Ketika itulah penyelidik mendapati bahawa mesin boleh melakukan tugas seperti manusia, seperti berfikir. Kemudian, pada tahun 1960-an, Jabatan Pertahanan A.S. membiayai kecerdasan buatan dan menubuhkan makmal untuk pembangunan selanjutnya. Penyelidik sedang mencari aplikasi untuk kecerdasan buatan dalam banyak bidang, seperti penerokaan angkasa lepas dan kelangsungan hidup dalam persekitaran yang melampau. Penerokaan angkasa lepas ialah kajian tentang alam semesta, yang meliputi seluruh alam semesta di luar bumi. Angkasa lepas diklasifikasikan sebagai persekitaran yang melampau kerana keadaannya berbeza daripada di Bumi. Untuk terus hidup di angkasa, banyak faktor mesti dipertimbangkan dan langkah berjaga-jaga mesti diambil. Para saintis dan penyelidik percaya bahawa meneroka ruang dan memahami keadaan semasa segala-galanya boleh membantu memahami cara alam semesta berfungsi dan bersedia untuk menghadapi kemungkinan krisis alam sekitar

Kenal pasti overfitting dan underfitting melalui lengkung pembelajaran Kenal pasti overfitting dan underfitting melalui lengkung pembelajaran Apr 29, 2024 pm 06:50 PM

Artikel ini akan memperkenalkan cara mengenal pasti pemasangan lampau dan kekurangan dalam model pembelajaran mesin secara berkesan melalui keluk pembelajaran. Underfitting dan overfitting 1. Overfitting Jika model terlampau latihan pada data sehingga ia mempelajari bunyi daripadanya, maka model tersebut dikatakan overfitting. Model yang dipasang terlebih dahulu mempelajari setiap contoh dengan sempurna sehingga ia akan salah mengklasifikasikan contoh yang tidak kelihatan/baharu. Untuk model terlampau, kami akan mendapat skor set latihan yang sempurna/hampir sempurna dan set pengesahan/skor ujian yang teruk. Diubah suai sedikit: "Punca overfitting: Gunakan model yang kompleks untuk menyelesaikan masalah mudah dan mengekstrak bunyi daripada data. Kerana set data kecil sebagai set latihan mungkin tidak mewakili perwakilan yang betul bagi semua data. 2. Underfitting Heru

Melaksanakan Algoritma Pembelajaran Mesin dalam C++: Cabaran dan Penyelesaian Biasa Melaksanakan Algoritma Pembelajaran Mesin dalam C++: Cabaran dan Penyelesaian Biasa Jun 03, 2024 pm 01:25 PM

Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.

AI yang boleh dijelaskan: Menerangkan model AI/ML yang kompleks AI yang boleh dijelaskan: Menerangkan model AI/ML yang kompleks Jun 03, 2024 pm 10:08 PM

Penterjemah |. Disemak oleh Li Rui |. Chonglou Model kecerdasan buatan (AI) dan pembelajaran mesin (ML) semakin kompleks hari ini, dan output yang dihasilkan oleh model ini adalah kotak hitam – tidak dapat dijelaskan kepada pihak berkepentingan. AI Boleh Dijelaskan (XAI) bertujuan untuk menyelesaikan masalah ini dengan membolehkan pihak berkepentingan memahami cara model ini berfungsi, memastikan mereka memahami cara model ini sebenarnya membuat keputusan, dan memastikan ketelusan dalam sistem AI, Amanah dan akauntabiliti untuk menyelesaikan masalah ini. Artikel ini meneroka pelbagai teknik kecerdasan buatan (XAI) yang boleh dijelaskan untuk menggambarkan prinsip asasnya. Beberapa sebab mengapa AI boleh dijelaskan adalah penting Kepercayaan dan ketelusan: Untuk sistem AI diterima secara meluas dan dipercayai, pengguna perlu memahami cara keputusan dibuat

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

See all articles