یادگیری گروهی یک تکنیک یادگیری ماشینی است که شامل ترکیب چندین مدل برای بهبود عملکرد کلی و قدرت پیشبینی سیستم است. ایده اصلی پشت یادگیری گروهی این است که با تجمیع پیشبینیهای چند مدل، مدل حاصل اغلب میتواند از هر یک از مدلهای فردی درگیر بهتر عمل کند.
چندین رویکرد مختلف برای یادگیری گروهی وجود دارد که دو مورد از رایجترین آنها کیسهزنی و تقویت است. Bagging که مخفف bootstrap aggregating است، شامل آموزش چندین نمونه از یک مدل بر روی زیر مجموعههای مختلف دادههای آموزشی و سپس ترکیب پیشبینیهای آنها است. این به کاهش بیش از حد اتصال و بهبود پایداری و دقت مدل کمک می کند.
از سوی دیگر، Boosting با آموزش دنبالهای از مدلها کار میکند، که در آن هر مدل بعدی بر روی نمونههایی تمرکز میکند که توسط مدلهای قبلی به اشتباه طبقهبندی شدهاند. با تنظیم مکرر وزن نمونه های تمرینی، تقویت می تواند یک طبقه بندی قوی از یک سری طبقه بندی کننده ضعیف ایجاد کند.
جنگلهای تصادفی یک روش یادگیری گروهی محبوب هستند که از بستهبندی برای ترکیب درختهای تصمیمگیری متعدد استفاده میکند. هر درخت بر روی یک زیرمجموعه تصادفی از ویژگی ها آموزش داده می شود و پیش بینی نهایی با میانگین گیری از پیش بینی های همه درختان انجام می شود. جنگلهای تصادفی به دلیل دقت بالا و استحکام نسبت به بیش از حد مناسب شناخته شدهاند.
یکی دیگر از تکنیکهای رایج یادگیری گروهی، تقویت گرادیان است که چندین یادگیرنده ضعیف، معمولاً درختهای تصمیمگیری را برای ایجاد یک مدل پیشبینی قوی ترکیب میکند. تقویت گرادیان با تطبیق هر مدل جدید با خطاهای باقی مانده توسط مدل های قبلی کار می کند و با هر تکرار به تدریج خطا را کاهش می دهد.
یادگیری گروهی به طور گسترده در برنامه های مختلف یادگیری ماشین از جمله طبقه بندی، رگرسیون و تشخیص ناهنجاری استفاده شده است. با استفاده از تنوع مدلهای متعدد، روشهای مجموعه اغلب میتوانند به تعمیم و استحکام بهتری نسبت به مدلهای فردی دست یابند.
یادگیری گروهی یک تکنیک قدرتمند در یادگیری ماشینی است که شامل ترکیب چندین مدل برای بهبود عملکرد پیشبینی میشود. با بهره گیری از نقاط قوت مدل های مختلف و کاهش نقاط ضعف فردی آنها، روش های مجموعه می توانند به دقت و استحکام بالاتری در کاربردهای مختلف دست یابند.
سایر پرسش ها و پاسخ های اخیر در مورد EITC/AI/GCML Google Cloud Machine Learning:
- متن به گفتار
- محدودیت های کار با مجموعه داده های بزرگ در یادگیری ماشین چیست؟
- آیا یادگیری ماشینی می تواند کمک محاوره ای انجام دهد؟
- زمین بازی تنسورفلو چیست؟
- در واقع یک مجموعه داده بزرگتر به چه معناست؟
- چند نمونه از فراپارامترهای الگوریتم چیست؟
- اگر الگوریتم یادگیری ماشینی انتخاب شده مناسب نباشد چه میشود و چگونه میتوان از انتخاب درست آن مطمئن شد؟
- آیا یک مدل یادگیری ماشینی در طول آموزش نیاز به نظارت دارد؟
- پارامترهای کلیدی مورد استفاده در الگوریتم های مبتنی بر شبکه عصبی کدامند؟
- TensorBoard چیست؟
سوالات و پاسخهای بیشتر را در EITC/AI/GCML Google Cloud Machine Learning مشاهده کنید