ການຄົ້ນພົບວິທີການ Ensemble
ໃນໂລກແບບເຄື່ອນໄຫວຂອງວິທະຍາສາດຂໍ້ມູນ, ວິທີການປະກອບກຸ່ມໄດ້ຕັ້ງຕົວເອງເປັນເຄື່ອງມືທີ່ຈໍາເປັນສໍາລັບຜູ້ຊ່ຽວຊານທີ່ຊອກຫາເພື່ອເພີ່ມປະສິດທິພາບຄວາມຖືກຕ້ອງຂອງຮູບແບບການຄາດຄະເນ. ພວກເຮົາຈະຄົ້ນຫາພື້ນຖານຂອງວິທີການເຫຼົ່ານີ້ທີ່ອະນຸຍາດໃຫ້ມີການວິເຄາະຂໍ້ມູນທີ່ເລິກເຊິ່ງແລະ nuanced.
ວິທີການປະກອບ, ເຊັ່ນ: Bagging ຫຼື Boosting, ສະເຫນີວິທີການຮ່ວມມືທີ່ແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກຫຼາຍອັນເຮັດວຽກຮ່ວມກັນເພື່ອໃຫ້ການຄາດຄະເນທີ່ຖືກຕ້ອງຫຼາຍກ່ວາແບບທີ່ໄດ້ຮັບຈາກຕົວແບບດຽວ. synergy ນີ້ບໍ່ພຽງແຕ່ປັບປຸງຄວາມຖືກຕ້ອງ, ແຕ່ຍັງຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງການ overfitting, ເປັນ pitfall ທົ່ວໄປໃນພາກສະຫນາມຂອງແບບຈໍາລອງຂໍ້ມູນ.
ໃນຂະນະທີ່ທ່ານເຂົ້າໄປໃນການຝຶກອົບຮົມນີ້, ທ່ານຈະໄດ້ຮັບການນໍາພາໂດຍຜ່ານແນວຄວາມຄິດທີ່ສໍາຄັນທີ່ຢູ່ເບື້ອງຫລັງວິທີການເຫຼົ່ານີ້, ການກະກຽມໃຫ້ທ່ານຊໍານິຊໍານານເຂົ້າໃນໂຄງການວິທະຍາສາດຂໍ້ມູນໃນອະນາຄົດຂອງທ່ານ. ບໍ່ວ່າທ່ານຈະເປັນຜູ້ເລີ່ມຕົ້ນທີ່ກໍາລັງຊອກຫາການສ້າງພື້ນຖານທີ່ແຂງຫຼືເປັນມືອາຊີບທີ່ມີປະສົບການທີ່ຊອກຫາເພື່ອປັບປຸງທັກສະຂອງທ່ານ, ການຝຶກອົບຮົມນີ້ສະເຫນີໃຫ້ທ່ານແນະນໍາທີ່ສົມບູນແບບແລະເລິກເຊິ່ງໃນໂລກຂອງວິທີການປະກອບ.
ປະສິດທິພາບຂອງຖົງແລະການຊຸກຍູ້
ການກະເປົ໋າແລະການຊຸກຍູ້ແມ່ນສອງເຕັກນິກການປະກອບທີ່ໄດ້ປະຕິວັດວິທີການທີ່ຜູ້ຊ່ຽວຊານເຂົ້າຫາການສ້າງແບບຈໍາລອງແບບຄາດຄະເນ. ການກະເປົ໋າ, ຫຼື Bootstrap Aggregating, ປະກອບດ້ວຍການລວມຜົນໄດ້ຮັບຂອງຫຼາຍແບບເພື່ອໃຫ້ໄດ້ການຄາດຄະເນທີ່ຫມັ້ນຄົງແລະເຂັ້ມແຂງກວ່າ. ເຕັກນິກນີ້ແມ່ນມີປະສິດທິພາບໂດຍສະເພາະໃນການຫຼຸດຜ່ອນຄວາມແຕກຕ່າງກັນແລະຫຼີກເວັ້ນການ overfitting.
ໃນທາງກົງກັນຂ້າມ, Boosting ສຸມໃສ່ການປັບຕົວສໍາລັບຄວາມຜິດພາດທີ່ເຮັດໂດຍຕົວແບບກ່ອນຫນ້ານີ້. ໂດຍການມອບຫມາຍນ້ໍາຫນັກທີ່ສູງຂຶ້ນໃຫ້ກັບການສັງເກດການຈັດປະເພດທີ່ບໍ່ດີ, ການຊຸກຍູ້ຄ່ອຍໆປັບປຸງການປະຕິບັດຂອງຕົວແບບ. ວິທີການນີ້ແມ່ນມີອໍານາດສໍາລັບການເພີ່ມຄວາມແມ່ນຍໍາແລະຫຼຸດຜ່ອນຄວາມລໍາອຽງ.
ການຂຸດຄົ້ນເຕັກນິກເຫຼົ່ານີ້ເປີດເຜີຍໃຫ້ເຫັນທ່າແຮງຂອງພວກເຂົາເພື່ອຫັນປ່ຽນວິທີການວິເຄາະຂໍ້ມູນແລະການຕີຄວາມຫມາຍ. ໂດຍການລວມເອົາ Bagging ແລະ Boosting ເຂົ້າໃນການວິເຄາະຂອງທ່ານ, ທ່ານຈະສາມາດແຕ້ມບົດສະຫຼຸບທີ່ຊັດເຈນຫຼາຍຂຶ້ນແລະເພີ່ມປະສິດທິພາບແບບຈໍາລອງການຄາດເດົາຂອງທ່ານ.
ຕົ້ນໄມ້ Random, ເປັນນະວັດກໍາທີ່ສໍາຄັນ
ຕົ້ນໄມ້ Random, ຫຼື Random Forests, ເປັນຕົວແທນຂອງຄວາມກ້າວຫນ້າທີ່ສໍາຄັນໃນພາກສະຫນາມຂອງວິທີການປະກອບ. ພວກມັນສົມທົບຕົ້ນໄມ້ການຕັດສິນໃຈຫຼາຍອັນເພື່ອສ້າງຕົວແບບທີ່ມີປະສິດທິພາບ ແລະ ແຂງແຮງກວ່າ. ແຕ່ລະຕົ້ນໄມ້ຖືກສ້າງໂດຍໃຊ້ຊຸດຍ່ອຍແບບສຸ່ມຂອງຂໍ້ມູນ, ເຊິ່ງຊ່ວຍແນະນໍາຄວາມຫຼາກຫຼາຍເຂົ້າໄປໃນຕົວແບບ.
ຫນຶ່ງໃນຂໍ້ໄດ້ປຽບຕົ້ນຕໍຂອງຕົ້ນໄມ້ແບບສຸ່ມແມ່ນຄວາມສາມາດໃນການຈັດການກັບຕົວແປຈໍານວນຫລາຍໂດຍບໍ່ຈໍາເປັນຕ້ອງມີການຄັດເລືອກກ່ອນ. ນອກຈາກນັ້ນ, ພວກເຂົາສະຫນອງຄວາມຕ້ານທານທີ່ດີເລີດຕໍ່ກັບຂໍ້ມູນທີ່ບໍ່ມີສຽງຫຼືຂໍ້ມູນບໍ່ຄົບຖ້ວນ.
ປະໂຫຍດທີ່ສໍາຄັນອີກອັນຫນຶ່ງແມ່ນຄວາມສໍາຄັນຂອງຕົວແປ. ຕົ້ນໄມ້ Random ປະເມີນຜົນກະທົບຂອງແຕ່ລະຕົວແປໃນການຄາດຄະເນ, ອະນຸຍາດໃຫ້ການກໍານົດປັດໃຈສໍາຄັນທີ່ມີອິດທິພົນຕໍ່ຕົວແບບ. ລັກສະນະນີ້ມີຄຸນຄ່າສໍາລັບການເຂົ້າໃຈຄວາມສໍາພັນທີ່ຕິດພັນໃນຂໍ້ມູນ.
ໃນສັ້ນ, ຕົ້ນໄມ້ແບບສຸ່ມແມ່ນເຄື່ອງມືທີ່ຈໍາເປັນສໍາລັບມືອາຊີບທີ່ຕ້ອງການຂຸດຄົ້ນທ່າແຮງຂອງວິທີການປະກອບ. ພວກເຂົາສະເຫນີການປະສົມປະສານທີ່ເປັນເອກະລັກຂອງຄວາມແມ່ນຍໍາ, ຄວາມເຂັ້ມແຂງແລະການຕີຄວາມຊັດເຈນ.
