큐:
앙상블 학습의 주요 이점은 무엇입니까?
ㅏ:앙상블 학습에는 머신 러닝 프로젝트에 다양한 이점이 있습니다. 이들 중 다수는 일부 입력 및 출력 결과를 집계하기 위해 비교적 간단한 다수의 노드를 사용하는 것과 관련이 있습니다.
예를 들어, 앙상블 학습은 프로젝트 관리자가 편향 및 분산 (수렴하기 어려운 산란 된 결과를 나타내는 분산) 및 필요한 결과를 대상으로하는 잘못된 교정 또는 오류를 나타내는 편차를 모두 처리하는 데 도움이 될 수 있습니다.
부스팅 및 배깅과 같은 다양한 관행과 함께 이러한 각 솔루션의 작동 방식에 대한 수학적 분석이 길고 복잡하지만 개인적으로 기계 학습에 관여하지 않는 사람들에게는 앙상블 학습이 기본적으로 분산되어 있음을 이해하는 것으로 충분할 수 있습니다. 결과를 개선하고 정확성을 보장하는 데 도움이되는 머신 러닝에 대한 합의 기반 접근 방식. 앙상블 학습은 큰 그림 분석을하기 위해 입력 지점의 필수 "크라우드 소싱"으로 생각하십시오. 어떤 의미에서 이것은 머신 러닝의 핵심이며 AdaBoost 또는 관련 시스템은 앙상블 학습 접근법을 통해이를 수행합니다. 이 개념을 기본으로 요약하는 또 다른 방법은 구식 슬로건에 대해 생각하는 것입니다.“두 개의 헤드가 하나보다 낫습니다.”소싱 또는 제어의 분산화가보다 정확한 결과를 얻는 데 어떻게 도움이되는지 생각하십시오.
앙상블 학습의 한 예는 랜덤 포레스트 접근법입니다. 임의의 포리스트에서 의사 결정 트리 그룹에는 겹치는 재료와 수학 및 방법 론적 결과로 목표를 달성하기 위해 서로 혼합 된 고유 한 결과가 있습니다. 이것은 신경망 및 기타 시스템에서 더 나은 기계 학습을 지원하기 위해 앙상블 학습이 실제로 어떻게 작동하는지의 예입니다. 기본 의미에서 데이터는 "병합"되며 분산 된 출처에 대해 더 강력합니다.
