Kollektif öğrenme(Ensemble Learning), bir dizi modelin (genellikle zayıf öğreniciler olarak adlandırılan ve tek başına düşük performans gösteren modeller) bir araya getirilerek daha güçlü bir model (bir ensemble) oluşturulması fikrini ifade eder. Bu, genellikle modelin genelleme yeteneğini artırır ve aşırı uyumu azaltır.
Kollektif öğrenme teknikleri arasında bagging, boosting ve stacking gibi yöntemler bulunur.
Bagging: Aynı algoritmayı kullanarak bir dizi model oluşturulur ve her model eğitim verisinin bir alt kümesi üzerinde eğitilir. Sonuçlar genellikle çoğunluk oyu ile veya ortalama alınarak birleştirilir. Rastgele Ormanlar bagging tekniğinin bir örneğidir.
Boosting: Zayıf öğreniciler seri olarak eğitilir, her biri öncekinin hatalarını düzeltmeye çalışır. Gradient Boosting ve AdaBoost boosting tekniklerinin örnekleridir.
Stacking: Farklı türden modeller oluşturulur ve birleştirilir. Her modelin tahminleri, bir sonraki modelin girdisi olarak kullanılır. Son model (genellikle bir meta-öğrenici veya birleştirici olarak adlandırılır), final tahminini yapar.
Bu teknikler, modelin genel performansını artırabilir ve aşırı uyum riskini azaltabilir. Ayrıca, farklı türde veriler ve farklı türde hatalarla başa çıkmak için farklı modelleri birleştirme yeteneği sağlarlar.
Top comments (0)