Ансамблевае навучанне - гэта метад машыннага навучання, які прадугледжвае аб'яднанне некалькіх мадэляў для паляпшэння агульнай прадукцыйнасці і прагназуючай здольнасці сістэмы. Асноўная ідэя ансамблевага навучання заключаецца ў тым, што шляхам аб'яднання прагнозаў некалькіх мадэляў выніковая мадэль часта можа пераўзыходзіць любую з задзейнічаных асобных мадэляў.
Ёсць некалькі розных падыходаў да ансамблевага навучання, з якіх два з найбольш распаўсюджаных - гэта сумкі і павышэнне. Bagging, скарачэнне ад bootstrap aggregating, уключае навучанне некалькіх асобнікаў адной і той жа мадэлі на розных падмноствах навучальных даных і наступнае аб'яднанне іх прагнозаў. Гэта дапамагае паменшыць празмернае абсталяванне і палепшыць стабільнасць і дакладнасць мадэлі.
Бустынг, з іншага боку, працуе шляхам навучання паслядоўнасці мадэляў, дзе кожная наступная мадэль засяроджваецца на прыкладах, якія былі няправільна класіфікаваны папярэднімі мадэлямі. Шляхам ітэратыўнай карэкціроўкі вагі навучальных прыкладаў, павышэнне можа стварыць моцны класіфікатар з шэрагу слабых класіфікатараў.
Выпадковыя лясы з'яўляюцца папулярным ансамблевым метадам навучання, які выкарыстоўвае сумкі для аб'яднання некалькіх дрэў рашэнняў. Кожнае дрэва навучаецца на выпадковым падмностве функцый, і канчатковы прагноз робіцца шляхам асераднення прагнозаў усіх дрэў. Выпадковыя лясы вядомыя сваёй высокай дакладнасцю і ўстойлівасцю да пераабсталявання.
Яшчэ адна распаўсюджаная тэхніка ансамблевага навучання - гэта ўзмацненне градыенту, якое аб'ядноўвае некалькі слабых навучэнцаў, як правіла, дрэў рашэнняў, для стварэння моцнай прагнастычнай мадэлі. Градыентнае ўзмацненне працуе, падганяючы кожную новую мадэль да рэшткавых памылак, зробленых папярэднімі мадэлямі, паступова памяншаючы памылку з кожнай ітэрацыяй.
Ансамблевае навучанне шырока выкарыстоўваецца ў розных праграмах машыннага навучання, уключаючы класіфікацыю, рэгрэсію і выяўленне анамалій. Выкарыстоўваючы разнастайнасць некалькіх мадэляў, ансамблевыя метады часта могуць дасягнуць лепшага абагульнення і надзейнасці, чым асобныя мадэлі.
Ансамблевае навучанне - гэта магутны метад машыннага навучання, які прадугледжвае аб'яднанне некалькіх мадэляў для паляпшэння прагназуючых характарыстык. Выкарыстоўваючы моцныя бакі розных мадэляў і памяншаючы іх індывідуальныя недахопы, ансамблевыя метады могуць дасягнуць больш высокай дакладнасці і надзейнасці ў розных прылажэннях.
Іншыя апошнія пытанні і адказы адносна EITC/AI/GCML Google Cloud Machine Learning:
- Text to speech
- Якія абмежаванні ёсць у працы з вялікімі наборамі даных у машынным навучанні?
- Ці можа машыннае навучанне аказаць некаторую дапамогу ў дыялогу?
- Што такое гульнявая пляцоўка TensorFlow?
- Што насамрэч азначае большы набор даных?
- Якія прыклады гіперпараметраў алгарытму?
- Што рабіць, калі абраны алгарытм машыннага навучання не падыходзіць, і як пераканацца, што выбраны правільны?
- Ці патрэбна мадэль машыннага навучання пад наглядам падчас навучання?
- Якія ключавыя параметры выкарыстоўваюцца ў алгарытмах нейронных сетак?
- Што такое TensorBoard?
Больш пытанняў і адказаў глядзіце ў EITC/AI/GCML Google Cloud Machine Learning