Q:
Hva er noen av de viktigste fordelene med ensemblæring?
EN:Ensemble-læring har forskjellige fordeler for maskinlæringsprosjekter. Mange av disse er relatert til å bruke et stort antall relativt enkle noder for å samle innganger og utgangsresultater.
For eksempel kan ensemblæring hjelpe prosjektledere til å takle både skjevhet og varians - varians som representerer spredte resultater som er vanskelige å konvergere, og skjevheter som representerer feilkalibrering eller feil i målretting av nødvendige resultater.
Det er lang og involvert matematisk analyse av hvordan hver av disse løsningene fungerer, sammen med forskjellige fremgangsmåter som boosting og bagging, men for de som ikke personlig er involvert i maskinlæring, kan det være nok til å forstå at ensemblæring i utgangspunktet gir en desentralisert, konsensusbasert tilnærming til maskinlæring som bidrar til å avgrense resultater og sikre presisjon. Tenk på ensemblæring som den essensielle "crowddsourcing" av inngangspunkter for å komme med en stor bildeanalyse. På en måte er det dette maskinlæring handler om, og AdaBoost eller relaterte systemer gjør dette gjennom en ensemble-læringsmetode. En annen måte å koke dette konseptet ned på det grunnleggende er å tenke på det gamle slagordet: “to hoder er bedre enn ett” og tenke på hvordan desentralisering av innkjøp eller kontroll er med på å få frem mer presise resultater.
Et eksempel på ensemblæring er en tilfeldig skogstilnærming. I en tilfeldig skog har en gruppe av beslutningstrær noe overlappende materiale, og noen unike resultater som er blandet sammen for å oppnå et mål med matematisk og metodisk utfall. Dette er et eksempel på hvordan ensemblæring fungerer praktisk for å støtte bedre maskinlæring i nevrale nettverk og andre systemer. I en grunnleggende forstand "data fusjonerer" og er sterkere for sin desentraliserte opprinnelse.
