Lorg dòighean Ensemble
Ann an saoghal fiùghantach saidheans dàta, tha dòighean ensemble air iad fhèin a stèidheachadh mar innealan riatanach airson proifeiseantaich a tha ag iarraidh cruinneas mhodalan ro-innse a mheudachadh. Nì sinn sgrùdadh air bunaitean nan dòighean sin a leigeas le mion-sgrùdadh dàta nas doimhne agus nas mionaidiche.
Tha dòighean co-bhanntachd, leithid Bagging or Boosting, a’ tabhann dòigh-obrach cho-obrachail far am bi grunn mhodalan ionnsachaidh inneal ag obair còmhla gus ro-innse nas cruinne a thoirt seachad na an fheadhainn a gheibhear le aon mhodail. Chan e a-mhàin gu bheil an co-obrachadh seo a’ leasachadh cruinneas, ach tha e cuideachd a’ lughdachadh a’ chunnairt gun tèid cus uidheamachadh, cnap-starra cumanta ann am modaladh dàta.
Mar a bhios tu gad bhogadh fhèin san trèanadh seo, bidh thu air do threòrachadh tro na prìomh bhun-bheachdan air cùl nan dòighean sin, gad ullachadh gus am filleadh a-steach gu sgileil anns na pròiseactan saidheans dàta agad san àm ri teachd. Co-dhiù a tha thu nad neach-tòiseachaidh a tha ag iarraidh bunait làidir a stèidheachadh no proifeasanta eòlach a tha ag iarraidh do sgilean ùrachadh, tha an trèanadh seo a’ toirt dhut ro-ràdh coileanta agus domhainn air saoghal dhòighean ensemble.
Èifeachdas Bagging and Bosting
Tha Bagging and Boosting nan dà dhòigh ensemble a tha air cruth-atharrachadh a dhèanamh air an dòigh sa bheil proifeiseantaich a’ dèiligeadh ri modaladh ro-innseach. Tha bagging, no Bootstrap Aggregating, a’ toirt a-steach toraidhean grunn mhodalan a chur còmhla gus ro-innse nas seasmhaiche agus nas làidire fhaighinn. Tha an dòigh seo gu sònraichte èifeachdach ann a bhith a’ lughdachadh caochlaidheachd agus a’ seachnadh cus uidheamachadh.
Air an làimh eile, tha Boosting ag amas air atharrachadh airson mearachdan a rinn modalan roimhe. Le bhith a’ sònrachadh cuideam nas àirde do bheachdan air an droch sheòrsachadh, bidh àrdachadh mean air mhean a’ leasachadh coileanadh a’ mhodail. Tha an dòigh seo cumhachdach airson cruinneas àrdachadh agus lughdachadh claonadh.
Le bhith a’ sgrùdadh nan dòighean sin tha e a’ nochdadh an comas cruth-atharrachadh a thoirt air mar a tha dàta air a mhion-sgrùdadh agus air a mhìneachadh. Le bhith ag amalachadh Bagging and Boosting a-steach do na mion-sgrùdaidhean agad, bidh e comasach dhut co-dhùnaidhean nas mionaidiche a tharraing agus na modalan ro-innse agad a bharrachadh.
Craobhan air thuaiream, prìomh ùr-ghnàthachadh
Tha craobhan air thuaiream, no Random Forests, a’ riochdachadh adhartas mòr ann an raon dhòighean ensemble. Bidh iad a’ cothlamadh grunn chraobhan co-dhùnaidh gus modal nas èifeachdaiche agus nas làidire a chruthachadh. Tha gach craobh air a thogail a’ cleachdadh fo-sheata air thuaiream den dàta, a chuidicheas le bhith a’ toirt a-steach iomadachd a-steach don mhodail.
Is e aon de na prìomh bhuannachdan a tha aig craobhan air thuaiream an comas air àireamh mhòr de chaochladairean a làimhseachadh gun a bhith feumach air taghadh ro-làimh. A bharrachd air an sin, tha iad a’ tabhann sàr-aghaidh an aghaidh dàta fuaimneach no neo-choileanta.
Is e prìomh bhuannachd eile cho cudromach sa tha caochladairean. Bidh craobhan air thuaiream a’ measadh buaidh gach caochladair air an ro-innse, a’ ceadachadh prìomh nithean a bheir buaidh air a’ mhodail aithneachadh. Tha am feart seo luachmhor airson tuigse fhaighinn air dàimhean bunaiteach san dàta.
Ann an ùine ghoirid, tha craobhan air thuaiream nan inneal riatanach do neach-proifeiseanta sam bith a tha airson làn fheum a dhèanamh de chomas dòighean ensemble. Bidh iad a’ tabhann measgachadh sònraichte de chruinneas, neart agus eadar-mhìneachadh.
