Q:
Hvad er nogle af de vigtigste fordele ved ensemblæring?
EN:Ensemblæring har forskellige fordele ved maskinlæringsprojekter. Mange af disse er relateret til at bruge et stort antal relativt enkle knudepunkter til at samle nogle input og outputresultater.
F.eks. Kan ensemblæring hjælpe projektledere med at håndtere både bias og varians - varians som repræsenterer spredte resultater, der er vanskelige at konvergere, og bias, der repræsenterer forkert kalibrering eller fejl i målretning af nødvendige resultater.
Der er lang og involveret matematisk analyse af, hvordan hver af disse løsninger fungerer sammen med forskellige praksis som boosting og bagging, men for dem, der ikke personligt er involveret i maskinlæring, kan det være nok at forstå, at ensemblæring dybest set bringer en decentral, konsensusbaseret tilgang til maskinlæring, der hjælper med at forfine resultater og sikre præcision. Tænk på ensemblæring som den essentielle "crowddsourcing" af inputpunkter for at komme med en stor billedanalyse. På en måde er det dette, maskinlæring handler om, og AdaBoost eller relaterede systemer gør dette gennem en ensemble-indlæringsmetode. En anden måde at koge dette koncept ned på dets grundlæggende er at tænke på det gamle slogan: ”to hoveder er bedre end et” og tænke på, hvordan decentralisering af sourcing eller kontrol hjælper med at komme med mere præcise resultater.
Et eksempel på ensemblæring er en tilfældig skovtilgang. I en tilfældig skov har en gruppe beslutningstræer noget overlappende materiale, og nogle unikke resultater, der er blandet sammen for at nå et mål med matematisk og metodisk resultat. Dette er et eksempel på, hvordan ensemble-læring fungerer praktisk for at understøtte bedre maskinlæring i neurale netværk og andre systemer. I en grundlæggende forstand "fusioneres" data og er stærkere for deres decentrale oprindelse.
