Øker
Denne artikkelen er et grovt utkast til sannsynlighet og statistikk .
Du kan dele din kunnskap ved å forbedre den ( hvordan? ) I henhold til anbefalingene fra de tilsvarende prosjektene .
Se listen over oppgaver som skal utføres på diskusjonssiden .
Øker| Underklasse | Metaheuristisk |
|---|---|
| Aspekt av | Veiledet læring |
Den øker er et felt av maskinlæring (gren av kunstig intelligens ). Det er et prinsipp som samler mange algoritmer som er basert på sett med binære klassifikatorer: boosting optimaliserer ytelsen.
Prinsippet kommer fra kombinasjonen av klassifikatorer (også kalt hypoteser). Ved suksessive iterasjoner blir kunnskapen om en svak klassifikator - svak klassifiserende - lagt til den endelige klassifisereren - sterk klassifikator .
Vi kaller svake lærere en algoritme som gir svake klassifikatorer som er i stand til å gjenkjenne to klasser minst like godt som tilfeldighetene ville gjort (det vil si at det ikke er feil mer enn en gang i to, hvis fordelingen av klassene er balansert). Klassifikatoren som er gitt er vektet av kvaliteten på klassifiseringen: jo bedre den klassifiseres, desto viktigere blir den. Feil klassifiserte eksempler styrkes slik at de får større betydning overfor den svake eleven i neste runde, slik at de gjør opp for mangelen.
En av de mest brukte algoritmene i boosting kalles AdaBoost , kort for adaptiv boosting .
Økningen er basert på CAP-læringsteorien .
Hovedmetoder relatert til boosting
- Bootstraping
- Bagging
- Øker
- AdaBoost
- DiskretAB
- RealAB
- GentleAB
- WeightBoost
- BrownBoost
- LogitBoost
- AsymBoost
- KLBoost
- FloatBoost
- GloBoost
- RankBoost
Adaboost-metoden kan sees på som et spesielt tilfelle av multiplikativ vektmetode .
Andre relaterte metoder
- ADDEMUP
- buing: adaptiv rekombinasjon av klassifiseringsmidler
- bagging: aggregering av bootstrap
- pose-stabling: bagging pluss stabling
- fallende
- kombinasjon av klassifikatorer
- komiteer av nettverk
- konsensus teori
- cragging: kryssaggregering (som k-fold kryssvalidering)
- dagging: aggregering av usammenhengende prøve
- dag-stabling: dagging pluss stabling
- dele og erobre klassifikatorer
- hagging: halvprøveaggregering
- blanding av eksperter
- flere klassifiseringssystemer:
- flertrinns og flernivå klassifisering
- OLC: optimal lineær kombinasjon
- pandemonium av reflekterende midler
- siktealgoritmer
- stabling: mate utganger fra flere modeller (og muligens de originale inngangene) til en andre-nivå modell
- stemmegivning