یادگیری جمعی (ensemble learning)


یادگیری جمعی (ensemble learning) حوزه‌ای در یادگیری ماشین است که در این حوزه تکنیک‌هایی مطرح شده است که به کمک آنها از چندین مدل به صورت ترکیبی و همزمان جهت تصمیم گیری استفاده می‌کنند تا توان مدل در تخمین خروجی داده را بالا ببرند. در این بخش میخواهیم نگاهی به این مسئله داشته باشیم که اساسا چرا رویکرد یادگیری جمعی رویکردی کارا و موثر است.

سوال:چرا ایده یادگیری جمعی خوب عمل میکند؟

همانطور که اشاره کردیم در یادگیری جمعی برای تصمیم گیری به جای استفاده از یک مدل، از چندین مدل استفاده میکنند، و تصمیم نهایی برایند تصمیم جمع است.
الان سوال این است که چرا وقتی ما از یادگیری جمعی در پروسه تصمیم گیری استفاده میکنیم، احتمال اینکه تصمیم اشتباهی بگیریم کم است؟
اجازه بدهید یک سوال ازتون بپرسیم؟
فرض کنید میخواهید یک ماشینی رو بخرید و اطلاعات کافی در این زمینه ندارید، چیکار می‌کنید؟ مطمئنا میروید سراغ کسی که در این مسئله سررشته داره. و از ایشون میخواهید که کمکتون کنه ماشین مناسبی بخرید…
اینجا تصمیم نهایی شما کلا وابسته است به این شخص و اگر این شخصا به هر دلیلی تصمیم اشتباهی بگیرد باعث میشه که شما انتخاب درستی نکنید!
پس مشورت فقط با یک نفر ریسکش بالا هست!کار درست اینه که به جای یک نفر، سراغ چندین فردی که صلاحیت دارند بروید و نظر همه رو بپرسید. در این صورت احتمال اینکه تصمیم اشتباهی بگیرید خیلی کم هست و ریسک تصمیم گیری رو کم خواهد بود.

یادگیری جمعی

میخواستم همون مثال پدربزرگ و تکه چوبهارو بگم ولی ترسیدم دوستان همه چوبهارو بشکنند و صورت مسئله معنی خودشو از دست بده…

یادگیری جمعی

یک مثال واقعی تر بزنیم، فرض کنید در یک مسئله ای از سه مدل برای تصمیم گیری میخواهید استفاده کنید.

یادگیری جمعی

فرض کنید مدلها در پروسه آموزش، آموزش دیده اند و الان آماده اند که در عمل از اینها برای تخمین خروجی داده جدید استفاده کنید. فعلا می‌خواهیم برای تصمیم گیری یک رای گیری ساده انجام دهیم و تصمیم نهایی را براساس نظر اکثریت بگیریم.

حال فرض کنید که فضای ویژگی ما به صورت زیر است .

فضای ویژگی

احتمالا هر کدام از این مدلها در یک ناحیه ای از این فضای ویژگی تصمیم اشتباهی خواهند گرفت و در سایر نواحی تصمیم درستی خواهند گرفت.
فرض کنید مدل A در ناحیه سبز رنگ تصمیم اشتباه میگیرد و در سایر نواحی تصمیم درستی میگیرد. مدل B در ناحیه آبی رنگ و مدل C در ناحیه قرمز رنگ…

فضای ویژگی

حال، یک نمونه جدید داریم و میخواهیم بدانیم خروجی این نمونه چقدر است؟ هر کدام از مدلها براساس توان و دانشی که دارند یک تصمیمی خواهند گرفت. الان احتمال اینکه تصمیم اشتباه بگیریم در این بخش چقدره؟ صفر

فضای ویژگی

چرا؟ چون همه مدلها در موقعیتی که نمونه جدید قرار گرفته تصمیم درستی خواهند گرفت و در نتیجه نظر اکثریت هم یکی خواهد بود و خروجی به درستی تخمین زده خواهد شد.

حال اگر نمونه جدید در در این موقعیت قرار بگیرد چه اتفاقی می افتد؟

فضای ویژگی

آیا امکانش هست تصمیم اشتباه گرفته شود؟ خیر
چرا؟ چون در این ناحیه ای که نمونه ی جدید قرار گرفته تنها یک مدل تصمیم اشتباه میگیرد، دو تای دیگه در اون ناحیه تصمیم درستی میگیرند و چون بنای تصمیم گیری نظر اکثریت هست، پس خروجی به درستی تخمین زده خواهد شد.

 

نتیجه گیری

شکلی که کشیدیم یجواریی ایده آل بود، ممکنه در عمل ما چنین مسئله ساده ای نداشته باشیم، ولی چیزی که مشخصه اینه که یادگیری جمعی رویکرد بسیار جالبی دارد و احتمال تصمیم گیری درست در چنین رویکردهایی به مراتب بالاتر از تک مدل خواهد بود.

 

در فصل  5 دوره یادگیری ماشین  به طور مفصل به موضوع یادگیری جمعی پرداخته ایم و تکنیکهای مختلفی را طبق مقالات و کتب تخصصی آموزش داده و پیاده سازی کرده ایم و در پروژه های عملی رگرسیون و طبقه بندی جهت افزایش دقت استفاده کردیم.
این فصل به دوستانی پیشنهاد می‌شود که پروژه پایان نامه دارند و دنبال روشهایی هستند که دقت پروژه خود را بالا ببرند!
مطمنا” کمکتون خواهند کرد….


دیدگاه ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

code

1 دیدگاه

  1. […] مورد گزینه اول در جلسه چرا رویکرد یادگیری جمعی امکان‌پذیر هست صحبت کردیم، حال در این بخش میخواهیم […]