Γλωσσάριο

Bagging

Τι είναι Bagging;

Το bagging (συντομογραφία του bootstrap aggregating) είναι μια μέθοδος συνόλου στη μηχανική μάθηση: πολλά μοντέλα εκπαιδεύονται σε τυχαία επιλεγμένα δείγματα των δεδομένων εκπαίδευσης και οι προβλέψεις τους υπολογίζονται κατά μέσο όρο ή συνδυάζονται με ψηφοφορία πλειοψηφίας. Αυτό κάνει τα αποτελέσματα πιο σταθερά και μειώνει την υπερπροσαρμογή. Το πιο γνωστό παράδειγμα είναι το τυχαίο δάσος (random forest), που συνδυάζει πολλά δέντρα αποφάσεων – για παράδειγμα για την πρόβλεψη της απώλειας πελατών ή των τιμών.

Θέματα

Μέθοδοι συνόλου
Μηχανική μάθηση
Δέντρα αποφάσεων

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Παλινδρόμηση τυχαίου δάσους

Η παλινδρόμηση τυχαίου δάσους (random forest regression) προβλέπει αριθμητικές τιμές συνδυάζοντας πολλά δέντρα αποφάσεων. Κάθε δέντρο εκπαιδεύεται σε ένα τυχαίο δείγμα των δεδομένων και σε μια τυχαία επιλογή χαρακτηριστικών· το αποτέλεσμα είναι ο μέσος όρος των προβλέψεων όλων των δέντρων. Έτσι η μέθοδος είναι πιο ανθεκτική και λιγότερο επιρρεπής σε υπερπροσαρμογή από ένα μεμονωμένο δέντρο. Χρησιμοποιείται, για παράδειγμα, για προβλέψεις πωλήσεων, εκτιμήσεις τιμών ή ενεργειακή ζήτηση – συχνά ως στέρεο σημείο εκκίνησης για πινακοειδή δεδομένα.

παλινδρόμηση
μέθοδος συνόλου
+1

Boosting

Το boosting είναι μια μέθοδος συνόλου στη μηχανική μάθηση κατά την οποία πολλά απλά μοντέλα εκπαιδεύονται το ένα μετά το άλλο, με κάθε νέο μοντέλο να εστιάζει στις περιπτώσεις στις οποίες έσφαλαν οι προκάτοχοί του. Μαζί σχηματίζουν ένα πολύ ακριβέστερο συνολικό μοντέλο. Γνωστές παραλλαγές είναι το AdaBoost και το gradient boosting, με βιβλιοθήκες όπως το XGBoost ή το LightGBM. Το boosting είναι ιδιαίτερα ισχυρό σε δεδομένα πινάκων, για παράδειγμα σε προβλέψεις πιστωτικού κινδύνου, πωλήσεων ή απώλειας πελατών.

Μέθοδοι συνόλου
Μηχανική μάθηση
+1

Δέντρο αποφάσεων

Ένα δέντρο αποφάσεων είναι ένα μοντέλο που αναπαριστά μια απόφαση ως ακολουθία απλών ερωτήσεων ναι/όχι: κάθε κλάδος ελέγχει ένα χαρακτηριστικό και κάθε φύλλο δίνει ένα αποτέλεσμα. Στη μηχανική μάθηση, τέτοια δέντρα μαθαίνονται αυτόματα από δεδομένα και χρησιμοποιούνται για ταξινόμηση ή πρόβλεψη. Το κύριο πλεονέκτημά τους είναι η διαφάνεια – για παράδειγμα, δείχνουν γιατί μια αίτηση δανείου επισημάνθηκε με βάση το εισόδημα, τη διάρκεια και το ιστορικό πληρωμών.

Μηχανική μάθηση
Κατάταξη
+1

Overfitting

Η υπερπροσαρμογή (overfitting) προκύπτει όταν ένα μοντέλο απομνημονεύει τα δεδομένα εκπαίδευσης, συμπεριλαμβανομένων τυχαίων ιδιομορφιών και θορύβου, αντί να συλλαμβάνει γενικά ισχύοντα πρότυπα. Τότε φαίνεται πολύ ακριβές στα γνωστά δεδομένα, αλλά αποδίδει άσχημα σε νέα. Ένα μεγάλο χάσμα ανάμεσα στο σφάλμα εκπαίδευσης και δοκιμής είναι τυπική ένδειξη. Τα αντίμετρα περιλαμβάνουν περισσότερα ή πιο ποικίλα δεδομένα, απλούστερα μοντέλα, κανονικοποίηση, dropout και διασταυρούμενη επικύρωση.

ποιότητα μοντέλου
εκπαίδευση
+1