Makine öğreniminde güçlendirme ve dilenme arasındaki fark nedir?


cevap 1:

Her ikisi de bir öğrenen topluluğu. Her öğrenci KNN, LinReg, Karar Ağacı veya SVM olabilir. Topluluktaki her öğrenci farklı olabilir. Farklı öğrencileri bir araya getirmek topluluk öğreneninin sapmasını azaltır.

Ayrıca her öğrenen için aynı öğrenme algoritmasını kullanmayı seçebilirsiniz, ancak toplam veri kümesinin farklı alt kümelerini (veya torbalarını) seçebilirsiniz. Veri torbaları rastgele seçilir. Bu torbalama. Farklı modellerden oluşan bir topluluğunuz var mı? Bu torbalama.

Takviye, torbalamada basit bir değişikliktir. Örneğin, Ada Boost. Öğrencilerin iyi performans göstermedikleri yerleri geliştirmeye çalışır. Torbalar rastgele seçilmemiştir. Torbalar (veya veri alt kümeleri), önceki torba modellerinde iyi eğitilmeyen (veya iyi performans gösteren) veri noktalarına göre seçilir.

Ada Boost, kötü modellenmiş veri noktalarında iyileşme sağladığı için fazla takma olasılığı daha yüksektir. Ancak genel olarak topluluk öğrencileri aşırı uyumu azaltır ve hatayı azaltır.