Ερ:
Ποια είναι τα μερικά από τα βασικά οφέλη της μάθησης του συνόλου;
ΕΝΑ:Η μάθηση του Ensemble έχει διάφορα οφέλη για τα προγράμματα μηχανικής μάθησης. Πολλά από αυτά σχετίζονται με τη χρήση ενός μεγάλου αριθμού σχετικά απλών κόμβων για τη συγκέντρωση ορισμένων αποτελεσμάτων εισόδου και εξόδου.
Για παράδειγμα, η μάθηση του συνόλου μπορεί να βοηθήσει τους διαχειριστές έργων να ασχοληθούν τόσο με μεροληψία όσο και με διακύμανση - διακύμανση που αντιπροσωπεύει διάσπαρτα αποτελέσματα που είναι δύσκολο να συγκλίνουν και μεροληψία που αντιπροσωπεύει αναπροσαρμογή ή σφάλμα στη στόχευση των απαραίτητων αποτελεσμάτων.
Υπάρχει μακροχρόνια και εμπλεκόμενη μαθηματική ανάλυση του τρόπου με τον οποίο λειτουργεί καθεμία από αυτές τις λύσεις, μαζί με διάφορες πρακτικές όπως η ενίσχυση και η συσσώρευση, αλλά για όσους δεν εμπλέκονται προσωπικά στη μηχανική μάθηση, μπορεί να αρκεί να κατανοήσουμε ότι η μάθηση του συνόλου φέρνει βασικά μια αποκεντρωμένη, συναίνεση βασισμένη στη μηχανική μάθηση που συμβάλλει στη βελτίωση των αποτελεσμάτων και στην εξασφάλιση της ακρίβειας. Σκεφτείτε τη μάθηση του συνόλου ως το ουσιαστικό "crowdsourcing" των σημείων εισόδου για να βγείτε με μια μεγάλη εικόνα της ανάλυσης. Κατά μία έννοια, αυτό είναι ό, τι αφορά τη μηχανική μάθηση, και το AdaBoost ή συναφή συστήματα το κάνουν αυτό μέσω μιας προσέγγισης μάθησης σε σύνολο. Ένας άλλος τρόπος για να βράσει αυτή την έννοια μέχρι τα βασικά της είναι να σκεφτεί το παλιό σύνθημα: "δύο κεφάλια είναι καλύτερα από ένα" και σκεφτείτε πώς το αποκεντρωτικό σύστημα προμήθειας ή ελέγχου βοηθά να βρεθούν πιο ακριβή αποτελέσματα.
Ένα παράδειγμα μάθησης του συνόλου είναι μια τυχαία προσέγγιση των δασών. Σε ένα τυχαίο δάσος, μια ομάδα δέντρων αποφάσεων έχει κάποιο αλληλεπικαλυπτόμενο υλικό και μερικά μοναδικά αποτελέσματα που συνδυάζονται για να επιτύχουν ένα στόχο με μαθηματική και μεθοδολογική έκβαση. Αυτό είναι ένα παράδειγμα του τρόπου με τον οποίο η μάθηση του συνόλου πρακτικά λειτουργεί για να υποστηρίξει την καλύτερη μηχανική μάθηση σε νευρωνικά δίκτυα και άλλα συστήματα. Με μια βασική έννοια, τα δεδομένα "συγχωνεύονται" και είναι ισχυρότερα για την αποκεντρωμένη προέλευσή τους.
