Bagging (sutrumpinimas nuo bootstrap aggregating) – mašininio mokymosi ansamblio metodas: daug modelių mokoma atsitiktinai atrinktomis mokymo duomenų imtimis, o jų prognozės suvidurkinamos arba sujungiamos daugumos balsavimu. Taip rezultatai tampa stabilesni ir mažėja permokymas. Žinomiausias pavyzdys – atsitiktinis miškas, sujungiantis daug sprendimų medžių, pavyzdžiui, klientų nutekėjimui ar kainoms prognozuoti.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąAtsitiktinio miško regresija prognozuoja skaitines reikšmes sujungdama daugybę sprendimų medžių. Kiekvienas medis mokomas pagal atsitiktinę duomenų imtį ir atsitiktinai parinktus požymius; rezultatas yra visų medžių prognozių vidurkis. Dėl to metodas atsparesnis ir mažiau linkęs į persimokymą nei pavienis medis. Jis naudojamas, pavyzdžiui, pardavimų prognozėms, kainų vertinimui ar energijos poreikiui – dažnai kaip tvirtas atspirties taškas lentelių duomenims.
Boosting – mašininio mokymosi ansamblio metodas, kai daug paprastų modelių mokoma vienas po kito, o kiekvienas naujas modelis sutelkia dėmesį į atvejus, kuriuose suklydo ankstesni. Kartu jie sudaro daug tikslesnį bendrą modelį. Žinomi variantai – AdaBoost ir gradientinis boosting, su bibliotekomis, pavyzdžiui, XGBoost ar LightGBM. Boosting ypač stiprus dirbant su lenteliniais duomenimis, pavyzdžiui, kredito rizikos, pardavimų ar klientų nutekėjimo prognozėse.
Sprendimų medis – tai modelis, vaizduojantis sprendimą kaip paprastų klausimų „taip / ne“ seką: kiekviena šaka tikrina vieną požymį, o kiekvienas lapas pateikia rezultatą. Mašininiame mokymesi tokie medžiai išmokstami automatiškai iš duomenų ir naudojami klasifikavimui ar prognozavimui. Pagrindinis jų privalumas – skaidrumas, pavyzdžiui, parodoma, kodėl paskolos paraiška buvo pažymėta pagal pajamas, terminą ir mokėjimų istoriją.
Persimokymas atsiranda, kai modelis įsimena mokymo duomenis, įskaitant atsitiktinius ypatumus ir triukšmą, užuot išmokęs visuotinai galiojančių dėsningumų. Tada jis atrodo labai tikslus su pažįstamais duomenimis, bet prastai veikia su naujais. Tipiškas požymis – didelis atotrūkis tarp mokymo ir testavimo paklaidos. Priemonės: daugiau ar įvairesnių duomenų, paprastesni modeliai, reguliarizavimas, dropout ir kryžminis patikrinimas.
