Yükseltmeyi anlamanın en kolay yolu nedir?
Neden çok zayıf sınıflandırıcıları "sonsuzluğa" (mükemmellik) desteklemiyor?
Yükseltmeyi anlamanın en kolay yolu nedir?
Neden çok zayıf sınıflandırıcıları "sonsuzluğa" (mükemmellik) desteklemiyor?
Yanıtlar:
Basit İngilizce olarak: Sınıflandırıcınız bazı verileri yanlış sınıflandırırsa, bunun gizli sınıflandırılmış kısmına başka bir kopyasını, ince bir şey bulacağını ümit ederek eğitin. Ve her zamanki gibi tekrar eder. Yolda, tüm bu sınıflandırıcıların tahminlerini makul bir şekilde birleştirmeyi sağlayan bazı oylama planları var.
Çünkü bazen imkansızdır (gürültü sadece bilgilerin bir kısmını gizlemektedir veya verilerde mevcut değildir); Öte yandan, çok fazla artırmak, aşırı yüklenmeye neden olabilir.
Yükseltme, k - kat çapraz doğrulama, "çanta dışı" (OOB) tahminleri veya bağımsız test seti ile birleştiğinde, bir toplulukta tutulması gereken ağaç sayısını belirleyen öğrenme oranı parametresinde büzülmeyi kullanır .
Yavaş yavaş öğrenen bir model istiyoruz, bu nedenle her bir bireysel modelin karmaşıklığı ve dahil edilecek modellerin sayısı bakımından bir denge var. Gördüğüm rehberlik, öğrenme oranını mümkün olan en düşük seviyeye ayarlamanız gerektiğini (hesaplama zamanı ve depolama alanı gereklilikleri göz önüne alındığında), her ağacın karmaşıklığına etkileşimlerin izin verilip verilmediğine ve hangi dereceye kadar seçilebileceğine göre ayarlamanızı önerir. ağaç ne kadar karmaşıksa, temsil edilebilecek etkileşimler o kadar karmaşık olur.
k- katlı CV (veya OOB tahminleri veya bağımsız test seti), artırılmış modelin ne zaman kullanılmaya başlanacağına karar vermek için kullanılır. Temel olarak, mükemmel modele ilerlememizi durduran şey budur, ancak yavaş öğrenmek daha iyidir, bu nedenle takılan modele katkıda bulunan geniş bir model grubuna sahibiz.