Fêrbûna Ensembleyê teknîkek fêrbûna makîneyê ye ku armanc dike ku bi berhevkirina gelek modelan performansa modelek baştir bike. Ew vê ramanê dixebitîne ku berhevkirina gelek şagirtên qels dikare xwendekarek bihêz biafirîne ku ji her modelek kesane çêtir performans dike. Ev nêzîkatî bi berfirehî di karên cihêreng ên fêrbûna makîneyê de tê bikar anîn da ku rastbûna pêşbînî, bihêzbûn, û gelemperîbûnê zêde bike.
Gelek celeb awayên fêrbûna ensembleyê hene, ku du kategoriyên sereke çente û zêdekirin in. Bagging, kurteya berhevkirina bootstrap, perwerdehiya gelek mînakên heman algorîtmaya fêrbûna bingehîn li ser binkeyên cûda yên daneyên perwerdehiyê digire. Dûv re pêşbîniya paşîn bi berhevkirina pêşbîniyên hemî modelên kesane tê destnîşankirin. Random Forest algorîtmayek populer e ku bagging bikar tîne, ku li wir gelek darên biryarê li ser binkeyên cihêreng ên daneyê têne perwerde kirin, û pêşbîniya paşîn bi navgînkirina pêşbîniyên hemî daran tê çêkirin.
Boosting, ji hêla din ve, bi perwerdekirina rêzek modelan dixebite ku her modela paşîn xeletiyên ku ji hêla yên berê ve hatine çêkirin rast dike. Gradient Boosting algorîtmayek bihêzkirinê ya naskirî ye ku daran bi rêz çêdike, digel ku her dar li ser xeletiyên ya berê hûr dibe. Bi berhevkirina van şagirtên qels, modela paşîn dibe xwendekarek bihêz ku karibe pêşbîniyên rast bike.
Teknîkîyek din a navdar a ensembleyê Stacking e, ku bi perwerdekirina meta-modelek li ser pêşbîniyên wan, gelek modelên bingehîn berhev dike. Modelên bingehîn pêşbîniyên kesane dikin, û meta-model fêr dibe ka meriv çawa van pêşbîniyan çêtirîn berhev dike da ku hilberîna paşîn çêbike. Stacking di girtina qalibên cihêreng ên ku di daneyê de hene bi bandor e û li gorî karanîna modelên kesane dikare bibe sedema performansa çêtir.
Fêrbûna Ensembleyê dikare bi karanîna algorîtmayên cihêreng ên wekî AdaBoost, XGBoost, LightGBM, û CatBoost were sepandin, ku her yek hêz û taybetmendiyên xwe hene. Van algorîtmayan di warên cihêreng de bi serfirazî hatine sepandin, di nav de naskirina wêneyê, pêvajokirina zimanê xwezayî, û pêşbîniya darayî, ku di sepanên cîhana rastîn de pirrengî û bandorkeriya rêbazên ensembleyê destnîşan dikin.
Fêrbûna Ensembleyê di fêrbûna makîneyê de teknîkek hêzdar e ku îstîxbarata kolektîf a pir modelan bi kar tîne da ku performansa pêşbîniyê baştir bike. Bi berhevkirina modelên cihêreng, rêbazên ensembleyê dikarin qelsiyên modela takekesî kêm bikin û rastbûn û zexmiya giştî zêde bikin, wan di qutiya amûra fêrbûna makîneyê de bikin amûrek hêja.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- Nivîsar bi axaftinê (TTS) çi ye û ew çawa bi AI-ê re dixebite?
- 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?
- Fêrbûna ensambleyê çi ye?
- 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?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin