Saya memiliki beberapa pertanyaan yang berkaitan erat tentang pelajar yang lemah dalam pembelajaran ensemble (misalnya meningkatkan).
- Ini mungkin terdengar bodoh, tetapi apa manfaat menggunakan yang lemah sebagai lawan dari pelajar yang kuat? (mis. mengapa tidak meningkatkan dengan metode pembelajaran "kuat"?)
- Apakah ada semacam kekuatan "optimal" untuk peserta didik yang lemah (mis. Sambil menjaga semua parameter ensemble lainnya tetap)? Apakah ada "sweet spot" dalam hal kekuatan mereka?
- Bagaimana kita bisa mengukur kekuatan pelajar yang lemah sehubungan dengan metode ensemble yang dihasilkan. Bagaimana kita mengukur secara kuantitatif manfaat marjinal dari menggunakan sebuah ensemble?
- Bagaimana kita membandingkan beberapa algoritma pembelajaran yang lemah untuk memutuskan mana yang akan digunakan untuk metode ensemble yang diberikan?
- Jika metode ensemble tertentu membantu pengklasifikasi lemah lebih dari yang kuat, bagaimana kita memberi tahu classifier yang diberikan sudah "terlalu kuat" untuk menghasilkan keuntungan signifikan saat meningkatkannya?
machine-learning
boosting
ensemble
Amelio Vazquez-Reina
sumber
sumber
Pertama, pengertian "lemah" dan "kuat" hanya didefinisikan dengan lemah. Dari sudut pandang saya, mereka harus didefinisikan relatif terhadap pengklasifikasi Bayes yang optimal, yang merupakan target dari setiap algoritma pelatihan. Dengan mengingat hal ini, balasan saya untuk tiga poin adalah sebagai berikut.
sumber