Mam kilka ściśle powiązanych pytań dotyczących słabych uczniów uczących się w zespole (np. Przyspieszenie).
- Może to zabrzmieć głupio, ale jakie są zalety korzystania ze słabych w porównaniu z silnymi uczniami? (np. dlaczego nie wzmocnić za pomocą „silnych” metod uczenia się?)
- Czy istnieje jakaś „optymalna” siła dla słabych uczniów (np. Przy zachowaniu wszystkich pozostałych parametrów zespołu)? Czy jest „słaby punkt”, jeśli chodzi o ich siłę?
- Jak możemy zmierzyć siłę słabego ucznia w stosunku do siły wynikowej metody zespolonej. Jak mierzymy ilościowo marginalne korzyści płynące z używania zespołu?
- Jak porównujemy kilka słabych algorytmów uczenia się, aby zdecydować, który z nich zastosować dla danej metody zespolonej?
- Jeśli dana metoda zespołowa pomaga słabszym klasyfikatorom bardziej niż mocnym, to jak możemy powiedzieć, że dany klasyfikator jest już „zbyt silny”, aby przynieść jakiekolwiek znaczące korzyści przy jego wzmocnieniu?
machine-learning
boosting
ensemble
Amelio Vazquez-Reina
źródło
źródło
Po pierwsze, pojęcia „słaby” i „silny” są jedynie słabo zdefiniowane. Z mojego punktu widzenia muszą być zdefiniowane względem optymalnego klasyfikatora Bayesa, który jest celem każdego algorytmu szkoleniowego. Mając to na uwadze, moja odpowiedź na trzy punkty jest następująca.
źródło