Fêrbûna Ensembleyê teknolojiyek fêrbûna makîneyê ye ku tê de gelek modelan berhev dike da ku performansa giştî û hêza pêşbîniya pergalê baştir bike. Fikra bingehîn a li pişt fêrbûna ensembleyê ev e ku bi berhevkirina pêşbîniyên pir modelan re, modela encam bi gelemperî dikare ji yek ji modelên kesane yên têkildar derkeve pêş.
Ji bo fêrbûna ensembleyê gelek nêzîkatiyên cihêreng hene, ku du ji wan ên herî gelemperî çente û zêdekirin in. Bagging, kurteya berhevkirina bootstrap-ê, perwerdehiya gelek mînakên heman modelê li ser binkeyên cihêreng ên daneyên perwerdehiyê digire û dûv re pêşbîniyên wan berhev dike. Ev ji bo kêmkirina zêdebarkirinê û baştirkirina aramî û rastbûna modelê dibe alîkar.
Boosting, ji hêla din ve, bi perwerdekirina rêzek modelan dixebite, ku her modela paşîn balê dikişîne ser mînakên ku ji hêla modelên berê ve xelet hatine dabeş kirin. Bi verastkirina dubare ya giraniyên mînakên perwerdehiyê, zêdekirin dikare ji rêze senifokerên qels dabeşkerek bihêz biafirîne.
Daristanên rasthatî rêbazek fêrbûna ensembleyê ya populer e ku ji bo berhevkirina darên biryarê yên pirjimar bikar tîne. Her darek li ser binkeyek random ji taybetmendiyan tê perwerde kirin û pêşbîniya dawîn bi navgînkirina pêşbîniyên hemî daran tê çêkirin. Daristanên rasthatî bi rastbûna xwe ya bilind û bi hêzbûna zêde têne zanîn.
Teknîkîyek din a fêrbûna ensembleyê ya hevpar xurtkirina gradientê ye, ku gelek şagirtên qels, bi gelemperî darên biryarê, berhev dike, da ku modelek pêşbîniyek bihêz biafirîne. Zêdekirina gradientê bi guncavkirina her modela nû bi xeletiyên bermayî yên ku ji hêla modelên berê ve hatî çêkirin dixebite, bi her dubarekirinê re hêdî hêdî xeletiyê kêm dike.
Fêrbûna ensembleyê bi berfirehî di sepanên fêrbûna makîneyê yên cihêreng de, di nav de dabeşkirin, paşveçûn, û tespîtkirina anomalî de, hatî bikar anîn. Bi karanîna cûrbecûr modelên pirjimar, rêbazên ensembleyê bi gelemperî dikarin ji modelên takekesî çêtir giştîkirin û bihêzbûnê bi dest bixin.
Fêrbûna Ensembleyê di fêrbûna makîneyê de teknîkek hêzdar e ku tê de gelek modelan berhev dike da ku performansa pêşbîniyê baştir bike. Bi karanîna hêza modelên cihêreng û kêmkirina qelsiyên wan ên kesane, rêbazên ensembleyê dikarin di sepanên cihêreng de rastbûn û bihêzbûna bilindtir bi dest bixin.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- Nivîsar ji axaftinê re
- Di fêrbûna makîneyê de di xebata bi daneyên mezin de çi sînor hene?
- Ma fêrbûna makîneyê dikare hin arîkariya diyalogê bike?
- Qada lîstikê ya TensorFlow çi ye?
- Di rastiyê de danûstendinek mezintir tê çi wateyê?
- Hin mînakên hîperparametreyên algorîtmê çi ne?
- Ger algorîtmayek fêrbûna makîneya bijartî ne guncan be û meriv çawa dikare piştrast bike ku ya rast hilbijêrin?
- Ma modelek fêrbûna makîneyê di dema perwerdehiya xwe de hewceyê çavdêriyê ye?
- Parametreyên sereke yên ku di algorîtmayên bingeha tora neuralî de têne bikar anîn çi ne?
- TensorBoard çi ye?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin