Q:
Jaké jsou některé z hlavních výhod kompletního učení?
A:Ensemble learning má různé výhody pro projekty strojového učení. Mnoho z nich souvisí s použitím velkého počtu relativně jednoduchých uzlů k agregaci některých vstupů a výstupních výsledků.
Například celostní učení může pomoci projektovým manažerům vyrovnat se se zaujatostí i rozptylem - rozptyl představující rozptýlené výsledky, které je obtížné sblížit, a zkreslení představující nesprávnou kalibraci nebo chybu při cílení na nezbytné výsledky.
Existuje dlouhá a zapojená matematická analýza toho, jak každé z těchto řešení funguje, spolu s různými postupy, jako je posilování a pytlování, ale pro ty, kteří nejsou osobně zapojeni do strojového učení, může stačit pochopit, že celostní učení v zásadě přináší decentralizované, konsenzuální přístup ke strojovému učení, který pomáhá upřesňovat výsledky a zajišťuje přesnost. Představte si souborové učení jako základní „crowdsourcing“ vstupních bodů, abyste mohli přijít s analýzou velkého obrazu. V jistém smyslu to je to, o čem je strojové učení, a AdaBoost nebo související systémy to dělají prostřednictvím přístupu k soubornému učení. Dalším způsobem, jak tuto koncepci uvést do základů, je přemýšlet o starém sloganu: „dvě hlavy jsou lepší než jedna“ a přemýšlet o tom, jak decentralizace sourcingu nebo kontroly pomáhá dospět k přesnějším výsledkům.
Jedním příkladem kompletního učení je náhodný lesní přístup. V náhodném lese má skupina rozhodovacích stromů nějaký překrývající se materiál a některé jedinečné výsledky, které se mísí, aby se dosáhlo cíle s matematickým a metodickým výsledkem. Toto je příklad toho, jak souborové učení prakticky podporuje lepší strojové učení v neuronových sítích a dalších systémech. V základním smyslu se data „slučují“ a jsou silnější pro svůj decentralizovaný původ.
