Stimularea
Acest articol este un proiect preliminar privind probabilitățile și statisticile .
Vă puteți împărtăși cunoștințele îmbunătățindu-le ( cum? ) Conform recomandărilor proiectelor corespunzătoare .
Consultați lista sarcinilor care trebuie îndeplinite pe pagina de discuții .
Stimularea| Subclasă | Metaheuristic |
|---|---|
| Aspect al | Învățare supravegheată |
Dinamizarea este un domeniu de mașină de învățare (ramură a inteligenței artificiale ). Este un principiu care reunește mulți algoritmi care se bazează pe seturi de clasificatori binari: creșterea optimizează performanța lor.
Principiul provine din combinația de clasificatori (numiți și ipoteze). Prin iterații succesive, cunoștințele unui clasificator slab - clasificator slab - se adaugă clasificatorului final - clasificator puternic .
Noi numim cursant slab un algoritm care furnizează clasificatori slabi, capabili să recunoască două clase cel puțin la fel de bine cum ar face șansa (adică nu este greșit mai mult de o dată la două în medie, dacă distribuția claselor este echilibrată). Clasificatorul furnizat este ponderat de calitatea clasificării sale: cu cât se clasifică mai bine, cu atât va fi mai important. Exemplele neclasificate sunt amplificate astfel încât să aibă o importanță mai mare față de cursantul slab în runda următoare, astfel încât să suplinească lipsa.
Unul dintre cei mai utilizați algoritmi în boosting se numește AdaBoost , prescurtare pentru boosting adaptiv .
Stimularea se bazează pe teoria învățării CAP .
Principalele metode legate de boosting
- Bootstraping
- Împachetat
- Stimularea
- AdaBoost
- DiscreteAB
- RealAB
- GentleAB
- WeightBoost
- BrownBoost
- LogitBoost
- AsymBoost
- KLBoost
- FloatBoost
- GloBoost
- RankBoost
Metoda Adaboost poate fi văzută ca un caz special al metodei greutății multiplicative .
Alte metode conexe
- ADDEMUP
- arcing: recombinare adaptativă a clasificatorilor
- pungi: agregare bootstrap
- stivuirea pungilor: împachetarea plus stivuirea
- în cascadă
- combinație de clasificatori
- comitete de rețele
- teoria consensului
- cragging: agregare încrucișată (cum ar fi validarea încrucișată k-fold)
- dagging: agregare disjunctă a eșantionului
- dag-stacking: dagging plus stivuire
- împarte și cucerește clasificatorii
- tânăr: agregare pe jumătate de probă
- amestec de experți
- sisteme de clasificare multiple:
- clasificatoare în mai multe etape și mai multe niveluri
- OLC: combinație liniară optimă
- pandemoniu de agenți reflectorizanți
- algoritmi de cernere
- stivuire: alimentarea ieșirilor mai multor modele (și, eventual, a intrărilor originale) într-un model de nivel doi
- vot