Uczenie zespołowe

Uczenie zespołowe – (ang. ensemble learning) technika modelowania wykorzystywana w statystyce i uczeniu maszynowym, polegająca na łączeniu wielu algorytmów w celu poprawy efektywności predykcji w porównaniu do wyników uzyskiwanych przez pojedyncze modele[1][2][3].

Do najpopularniejszych metod uczenia zespołowego zalicza się agregację (ang. bootstrap aggregating lub bagging), wzmacnianie (ang. boosting) i kontaminację (ang. stacking)[4].

Przypisy

  1. ↑ D. Opitz. Popular ensemble methods: An empirical study. „Journal of Artificial Intelligence Research”. 11, s. 169–198, 1999. DOI: 10.1613/jair.614. arXiv:1106.0257.
  2. ↑ R. Polikar. Ensemble based systems in decision making. „IEEE Circuits and Systems Magazine”. 6 (3), s. 21–45, 2006. DOI: 10.1109/MCAS.2006.1688199.
  3. ↑ L. Rokach. Ensemble-based classifiers. „Artificial Intelligence Review”. 33 (1–2), s. 1–39, 2010. DOI: 10.1007/s10462-009-9124-7.
  4. ↑ Aurélien Géron, Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Krzysztof Sawka (tłum.), Wydanie II, aktualizacja do modułu TensorFlow 2, Gliwice: Helion, 2020, s. 199, ISBN 978-83-283-6002-0 [dostęp 2025-02-16] (pol.).
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.