[ad_1]
Jika Anda seorang pemula yang ingin memahami secara element apa itu ansambel, atau ingin menyegarkan kembali pengetahuan Anda tentang varians dan bias, artikel komprehensif di bawah ini akan memberi Anda gambaran mendalam tentang pembelajaran ansambel, metode ansambel dalam pembelajaran mesin, algoritma ansambel, serta teknik ansambel penting, seperti boosting dan bagging. Namun sebelum menggali lebih dalam tentang apa, mengapa, dan bagaimana ansambel, pertama-tama mari kita lihat beberapa contoh dunia nyata yang akan menyederhanakan konsep-konsep yang merupakan inti pembelajaran ansambel.
ADVERTISEMENT
SCROLL TO RESUME CONTENT
Contoh 1: Jika Anda berencana membeli sebuah AC, apakah Anda akan memasuki showroom dan membeli AC yang ditunjukkan oleh penjualnya kepada Anda? Jawabannya mungkin tidak. Di zaman sekarang ini, Anda cenderung meminta pendapat teman, keluarga, dan kolega Anda, melakukan penelitian di berbagai portal tentang style yang berbeda, dan mengunjungi beberapa situs ulasan sebelum mengambil keputusan pembelian. Singkatnya, Anda tidak akan sampai pada suatu kesimpulan secara langsung. Sebaliknya, Anda akan mencoba membuat keputusan yang lebih tepat setelah mempertimbangkan beragam pendapat dan ulasan. Dalam pembelajaran ansambel, prinsip yang sama juga berlaku. Sekarang mari kita lihat apa yang dimaksud dengan ansambel.
Apa itu Pembelajaran Ensemble?
Metode ansambel dalam pembelajaran mesin menggabungkan wawasan yang diperoleh dari beberapa style pembelajaran untuk memfasilitasi pengambilan keputusan yang akurat dan lebih baik. Cara-cara ini mengikuti prinsip yang sama seperti contoh membeli AC yang disebutkan di atas.
Dalam style pembelajaran, noise, varians, dan bias merupakan sumber kesalahan utama. Metode ansambel dalam pembelajaran mesin membantu meminimalkan faktor penyebab kesalahan ini, sehingga memastikan keakuratan dan stabilitas algoritma pembelajaran mesin (ML).
Contoh 2: Asumsikan Anda sedang mengembangkan aplikasi untuk industri perjalanan. Jelas sekali bahwa sebelum membuat aplikasi menjadi publik, Anda perlu mendapatkan masukan penting mengenai computer virus dan potensi celah yang memengaruhi pengalaman pengguna. Apa saja pilihan yang Anda miliki untuk mendapatkan masukan penting? 1) Meminta pendapat dari orang tua, pasangan, atau teman dekat Anda. 2) Bertanya kepada rekan kerja Anda yang sering bepergian dan kemudian mengevaluasi tanggapan mereka. 3) Meluncurkan aplikasi perjalanan dan pariwisata Anda dalam versi beta untuk mengumpulkan masukan dari audiens yang tidak bias dan komunitas perjalanan.
Pikirkan sejenak tentang apa yang Anda lakukan. Anda mempertimbangkan berbagai pandangan dan ide dari banyak orang untuk memperbaiki masalah yang membatasi pengalaman pengguna. Jaringan saraf ansambel dan algoritma ansambel melakukan hal yang persis sama.
Contoh 3: Bayangkan sekelompok orang dengan mata tertutup memainkan permainan sentuh dan beri tahu, di mana mereka diminta untuk menyentuh dan menjelajahi pabrik donat mini yang belum pernah mereka lihat sebelumnya. Karena matanya ditutup, versi pabrik donat mini mereka akan berbeda-beda, bergantung pada bagian peralatan yang mereka sentuh. Sekarang, misalkan mereka secara pribadi diminta untuk menjelaskan apa yang mereka sentuh. Dalam hal ini, pengalaman individu mereka akan memberikan gambaran yang tepat tentang bagian-bagian tertentu dari pabrik donat mini tersebut. Namun, secara kolektif, gabungan pengalaman mereka akan memberikan gambaran yang sangat rinci tentang keseluruhan peralatan.
Demikian pula, metode ansambel dalam pembelajaran mesin menggunakan serangkaian style dan memanfaatkan keluaran campuran, yang, dibandingkan dengan style tunggal, pasti akan menjadi pilihan yang lebih baik dalam hal akurasi prediksi.
Teknik Ensembel
Berikut adalah daftar teknik pembelajaran ansambel, dimulai dengan metode ansambel dasar dan kemudian beralih ke pendekatan yang lebih maju.
Metode Ensembel Sederhana
Mode: Dalam terminologi statistik, “mode” adalah angka atau nilai yang paling sering muncul dalam kumpulan knowledge angka atau nilai. Dalam teknik ansambel ini, profesional pembelajaran mesin menggunakan sejumlah style untuk membuat prediksi tentang setiap titik knowledge. Prediksi yang dibuat oleh style berbeda diambil sebagai pemungutan suara terpisah. Selanjutnya, prediksi yang dibuat oleh sebagian besar style dianggap sebagai prediksi akhir.
Imply/Moderate: Dalam teknik ansambel imply/reasonable, analis knowledge memperhitungkan prediksi rata-rata yang dibuat oleh semua style saat membuat prediksi akhir.
Misalnya, seratus orang memberi peringkat pada rilis beta aplikasi perjalanan dan pariwisata Anda pada skala 1 hingga 5, dengan 15 orang memberi peringkat 1, 28 orang memberi peringkat 2, 37 orang memberi peringkat 3, 12 orang memberi nilai 4, dan 8 orang memberi nilai 5.
Rata-rata dalam hal ini adalah – (1 * 15) + (2 * 28) + (3 * 37) + (4 * 12) + (5 * 8) / 100 = 2,7
Rata-rata Tertimbang: Dalam metode ansambel rata-rata tertimbang, ilmuwan knowledge menetapkan bobot yang berbeda untuk semua style untuk membuat prediksi, di mana bobot yang diberikan menentukan relevansi setiap style. Sebagai contoh, asumsikan bahwa dari 100 orang yang memberikan masukan untuk aplikasi perjalanan Anda, 70 orang adalah pengembang aplikasi profesional, sedangkan 30 orang lainnya tidak memiliki pengalaman dalam pengembangan aplikasi. Dalam skenario ini, teknik ansambel rata-rata tertimbang akan memberi bobot lebih pada umpan balik pengembang aplikasi dibandingkan dengan yang lain.
Metode Ensembel Tingkat Lanjut
Bagging (Bootstrap Aggregating): Tujuan utama metode ansambel “bagging” atau “bootstrap aggregating” adalah untuk meminimalkan kesalahan varians dalam pohon keputusan. Tujuannya di sini adalah untuk membuat sampel kumpulan knowledge pelatihan secara acak dengan penggantian (subset dari knowledge pelatihan). Subset tersebut kemudian digunakan untuk melatih pohon keputusan atau style. Akibatnya, terdapat kombinasi beberapa style, yang mengurangi varians, karena prediksi rata-rata yang dihasilkan dari style yang berbeda jauh lebih andal dan kuat dibandingkan style tunggal atau pohon keputusan.
Boosting: Teknik ansambel berulang, “boosting”, menyesuaikan bobot observasi berdasarkan klasifikasi terakhirnya. Jika observasi salah diklasifikasikan, “spice up” akan meningkatkan bobot observasi, dan sebaliknya. Peningkatan algoritma mengurangi kesalahan bias dan menghasilkan style prediktif yang unggul.
Dalam metode boosting ensemble, ilmuwan knowledge melatih algoritma boosting pertama pada seluruh dataset dan kemudian membangun algoritma berikutnya dengan menyesuaikan residu dari algoritma boosting pertama, sehingga memberikan bobot lebih pada pengamatan yang diprediksi oleh style sebelumnya secara tidak akurat.
Pilih Program yang Tepat
Kuasai masa depan teknologi dengan kursus AI dan ML Simplilearn. Temukan kekuatan kecerdasan buatan dan pembelajaran mesin serta dapatkan keterampilan yang Anda butuhkan untuk unggul dalam industri ini. Pilih program yang tepat dan buka potensi Anda hari ini. Daftar sekarang dan buka jalan Anda menuju kesuksesan!
Nama program
Insinyur AI
Program Pascasarjana Dalam Kecerdasan Buatan
Program Pascasarjana Dalam Kecerdasan Buatan
Geografis Semua Geo Semua Geo DI/Baris Universitas Pelajari secara sederhana Purdue Caltech Durasi Kursus 11 bulan 11 bulan 11 bulan Diperlukan Pengalaman Pengkodean Dasar Dasar TIDAK Keterampilan yang Akan Anda Pelajari 10+ keterampilan termasuk struktur knowledge, manipulasi knowledge, NumPy, Scikit-Be told, Tableau, dan banyak lagi. 16+ keterampilan termasuk
chatbots, NLP, Python, Keras dan banyak lagi.8+ keterampilan termasuk
Pembelajaran yang Diawasi & Tanpa Pengawasan
Pembelajaran Mendalam
Visualisasi Information, dan banyak lagi.Keuntungan tambahan Dapatkan akses ke sesi Hackathon, Masterclass, dan Ask-Me-Anything else eksklusif dari IBM
Pembelajaran terapan melalui 3 Proyek Capstone dan 12 Proyek yang relevan dengan IndustriKeanggotaan Asosiasi Alumni Purdue Free of charge IIMJobs Professional-Keanggotaan 6 bulan Bantuan Pembangunan Resume Hingga 14 Kredit CEU Keanggotaan Caltech CTME Circle Biaya $$ $$$$ $$$$ Jelajahi Program Jelajahi Program Jelajahi Program
Tertarik Menguasai Algoritma Ensemble untuk Karir yang Bermanfaat dalam Pembelajaran Mesin?
Cara termudah untuk mendapatkan pekerjaan pembelajaran mesin bergaji tinggi adalah dengan mendapatkan sertifikasi dari lembaga pendidikan terkenal secara world, seperti Simplilearn. Program Pascasarjana dalam AI dan Pembelajaran Mesin, yang diperkenalkan oleh bootcamp on-line dan penyedia kursus sertifikasi #1 di dunia, Simplilearn, bekerja sama dengan Caltech, akan memberi Anda pemahaman mendalam tentang konsep inti metode ansambel dalam pembelajaran mesin.
Dalam upaya untuk memperkuat pengetahuan Anda dalam subjek yang luas ini, Simplilearn menyediakan Program Pascasarjana AI & ML yang disampaikan oleh fakultas Caltech, 25+ proyek dengan kumpulan knowledge industri, hackathon IBM eksklusif, dan batu penjuru dari 3 area. Kursus sertifikasi yang diakui industri juga menawarkan program JobAssist yang unik – klik di sini untuk informasi lebih lanjut.
[ad_2]
Sumber: www.simplilearn.com
