Q:
Кои са някои от основните предимства на ансамбълното обучение?
A:Ансамбълното обучение има различни предимства при проектите за машинно обучение. Много от тях са свързани с използването на голям брой сравнително прости възли за агрегиране на някои входове и резултати от изхода.
Например, ансамбълното обучение може да помогне на ръководителите на проекти да се справят както с пристрастията, така и с дисперсията - дисперсия, представяща разпръснати резултати, които са трудни за сближаване, и пристрастия, представящи неправилно калибриране или грешка при насочване към необходимите резултати.
Има дълъг и ангажиран математически анализ как функционира всяко от тези решения, заедно с различни практики като стимулиране и пакетиране, но за тези, които не участват лично в машинно обучение, може би е достатъчно да разберат, че цялостното учене в общи линии носи децентрализирано, основан на консенсус подход за машинно обучение, който спомага за усъвършенстване на резултатите и гарантиране на точност. Помислете за ансамбълното обучение като за съществения „краудсорсинг“ на входни точки, за да излезете с анализ на голяма картина. В известен смисъл това е за машинното обучение и AdaBoost или свързаните с него системи правят това чрез подход за цялостно обучение. Друг начин да се сведе тази концепция до нейните основи е да се мисли за стария лозунг: „две глави са по-добри от едната“ и да помислим как децентрализацията на снабдяването или контрола помага да се постигнат по-точни резултати.
Един пример за учене на ансамбъл е случаен подход към гората. В произволна гора група дървета с решения има някои припокриващи се материали и някои уникални резултати, които се смесват, за да се постигне цел с математически и методически резултат. Това е пример за това как ансамбълното обучение работи практически в подкрепа на по-доброто машинно обучение в невронните мрежи и други системи. В основен смисъл данните се „сливат“ и са по-силни заради децентрализирания си произход.
