Q:
Mengapakah perbezaan dalam pembelajaran mesin menurunkan varians?
A:Agregasi bootstrap, atau "pembalut, " dalam pembelajaran mesin menurunkan varians melalui membina model yang lebih maju dalam set data kompleks. Khususnya, pendekatan bagging mewujudkan subsets yang sering bertindih untuk memodelkan data dalam cara yang lebih terlibat.
Satu idea yang menarik dan mudah tentang bagaimana untuk memohon pembungkusan adalah dengan mengambil satu set sampel rawak dan mengekstrak purata sederhana. Kemudian, menggunakan set sampel yang sama, buat berpuluh-puluh subset yang dibina sebagai pokok keputusan untuk memanipulasi keputusan akhirnya. Maksud kedua sepatutnya menunjukkan gambaran yang benar tentang bagaimana sampel individu tersebut berkaitan dengan satu sama lain dari segi nilai. Idea yang sama boleh digunakan untuk mana-mana harta dari mana-mana set titik data.
| Muat turun Percuma: Pembelajaran Mesin dan Mengapakah Ia Penting |
Oleh kerana pendekatan ini menggabungkan penemuan ke sempadan yang lebih jelas, ia mengurangkan varians dan membantu dengan overfitting. Fikirkan satu penyebaran dengan mata data yang agak diedarkan; dengan menggunakan kaedah begging, para jurutera "mengecilkan" kerumitan dan garis penemuan yang berorientasikan kepada parameter yang lancar.
Ada yang bercakap mengenai nilai pengambilan sebagai "membahagikan dan menaklukkan" atau sejenis "heuristik dibantu." Ideanya ialah melalui pemodelan ensemble, seperti penggunaan hutan rawak, mereka yang menggunakan beg sebagai teknik boleh mendapatkan hasil data yang lebih rendah dalam varians. Dari segi kerumitan yang kurang, pembungkus juga boleh membantu dengan overfitting. Fikirkan model dengan terlalu banyak titik data: katakanlah, sambung-titik-titik dengan 100 titik tidak tercatat. Garis data visual yang dihasilkan akan bergerigi, dinamik, tidak menentu. Kemudian "iron out" varians dengan menyusun set penilaian. Dalam pembelajaran ensemble, ini sering difikirkan sebagai menyertai beberapa "pelajar lemah" untuk memberikan hasil kerjasama yang "kuat pembelajaran". Hasilnya adalah garis data yang lebih lancar, lebih kontur, dan kurang variasi liar dalam model.
Sangat mudah untuk melihat bagaimana idea beg boleh digunakan untuk sistem IT perusahaan. Pemimpin perniagaan sering menginginkan "pandangan mata burung" tentang apa yang berlaku dengan produk, pelanggan, dan sebagainya. Model yang overfitted boleh menghasilkan data yang lebih mudah dihadam dan lebih banyak "bertaburan" hasil, di mana pembungkusan boleh "stabililize" model dan menjadikannya lebih berguna untuk pengguna akhir.
