Güçlendirmede zayıf veya dengesiz sınıflandırıcılar temel öğrenenler olarak kullanılır. Durum bu, çünkü amaç oldukça farklı olan karar sınırları oluşturmak. Daha sonra, iyi bir temel öğrenen kişi, çok taraflı olanı ifade eder, başka bir deyişle, temel öğrenenler için eğitim parametreleri biraz değişse bile, çıktı temelde aynı kalır.
Yapay sinir ağlarında bırakma , eğitim topluluklarıyla karşılaştırılabilecek bir düzenlileştirme tekniğidir. Aradaki fark, topluluğun gizli alanda (nöronların var olup olmaması) yapılması ve böylece genelleme hatasını azaltmasıdır.
"Her eğitim örneği bu nedenle farklı, rastgele örneklenmiş bir mimari için degradeler sağlamak olarak görülebilir, böylece son sinir ağı etkin bir şekilde iyi bir genelleme kabiliyetine sahip büyük bir sinir ağı topluluğunu temsil eder" - buradan alıntı yaparak .
Bu tür iki teknik vardır: bırakma işleminde nöronlar düşürülür (yani nöronlar belirli bir olasılıkla bulunur veya olmaz), düşürme bağlantısında ağırlıklar düşürülür.
Şimdi, sorunuzu yanıtlamak için sinir ağlarının (veya algılayıcıların) güçlendirici bir kurulumda temel öğrenenler olarak kullanılmadığına, çünkü daha yavaş eğitildiklerine (çok fazla zaman alır) ve öğrenebildikleri kadar zayıf olmadıklarına inanıyorum. daha dengesiz olmak için hazırlıklı olun. Yani, çabaya değmez.
Bu konuda araştırma yapılmış olabilir, ancak iyi çalışmayan fikirlerin genellikle başarılı bir şekilde yayınlanmaması üzücü. Hiçbir yere götürmeyen, yani "bunu denemekten zahmet etme" yollarını kapsayan daha fazla araştırmaya ihtiyacımız var.
DÜZENLE:
Buna rağmen biraz daha fazla şey yaşadım ve eğer büyük ağların topluluklarıyla ilgileniyorsanız, o zaman bu tür çoklu ağların çıktılarını birleştirme yöntemlerine atıfta bulunabilirsiniz. Çoğu insan, göreve bağlı olarak çoğunluk oyu kullanır veya kullanır - bu uygun olmayabilir. Her bir ağın çıktısının ağırlığını, belirli bir kayıttaki hataya göre değiştirmenin mümkün olacağına inanıyorum. Çıktılar ne kadar az ilişkilendirilirse, montaj kuralınız o kadar iyi olur.