F:
Vilka är några av de viktigaste fördelarna med ensemblärande?
A:Ensemblärande har olika fördelar för maskininlärningsprojekt. Många av dessa är relaterade till att använda ett stort antal relativt enkla noder för att aggregera vissa ingångar och utgångsresultat.
Exempelvis kan ensemblärande hjälpa projektledare att hantera både partiskhet och varians - varians som representerar spridda resultat som är svåra att konvergera, och partiskhet som representerar felkalibrering eller fel vid inriktning av nödvändiga resultat.
Det finns en lång och involverad matematisk analys av hur var och en av dessa lösningar fungerar, tillsammans med olika metoder som boosting och påsar, men för de som inte personligen är involverade i maskininlärning kan det vara tillräckligt för att förstå att ensemblärning i princip ger en decentraliserad, konsensusbaserad strategi för maskininlärning som hjälper till att förfina resultat och säkerställa precision. Tänk på ensemblärande som den väsentliga "crowddsourcing" av inputpunkter för att komma med en stor bildanalys. På ett sätt är det detta som maskininlärning handlar om, och AdaBoost eller relaterade system gör detta genom en ensemble-inlärningsmetod. Ett annat sätt att koka upp detta koncept till dess grunder är att tänka på det gamla slogan: "två huvuden är bättre än ett" och tänka på hur decentralisering av inköp eller kontroll hjälper till att få fram mer exakta resultat.
Ett exempel på ensemblärande är en slumpmässig skogsstrategi. I en slumpmässig skog har en grupp beslutsträd lite överlappande material och några unika resultat som blandas ihop för att uppnå ett mål med matematiskt och metodiskt resultat. Detta är ett exempel på hur ensemblärande fungerar praktiskt för att stödja bättre maskininlärning i neurala nätverk och andra system. I en grundläggande mening "slås data" samman och är starkare för dess decentraliserade ursprung.
