وتجمع الأساليب المشتركة بين نماذج التعلم الآلات المتعددة لتحسين دقة التنبؤات والقوة، وهي تستخدم على نطاق واسع في مهام التعلم الخاضعة للإشراف من أجل تعزيز مواطن القوة في مختلف الخوارزميات والحد من الأخطاء، وتستكشف هذه المادة مبادئ التصميم الرئيسية وتقدم أمثلة على تقنيات الجمع المشتركة.

المبادئ الأساسية للطرائق

والفكرة الأساسية وراء الأساليب المشتركة هي تجميع التنبؤات التي تنطوي عليها عدة نماذج لإنتاج ناتج نهائي، وهذا النهج يساعد على تخفيف حدة التحيزات والفروق في النماذج الفردية، وهناك مبدأان رئيسيان هما التنوع والاستقلال بين النماذج، وهما عنصران أساسيان في التجمعات الفعالة.

التصميم الفعّال للجمع يتضمن اختيار نماذج مختلفة تُحدث أخطاء مختلفة، الجمع بين هذه النماذج من خلال أساليب مثل التصويت أو التصحيح يعزز الأداء العام، ضمان أن تكون النماذج مستقلة بما فيه الكفاية

الأنواع المشتركة من التقنيات المجمعة

وهناك عدة أساليب مجتمعة شعبية في مجال التعلم الخاضع للإشراف، ولكل منها آليات فريدة:

  • Bagging:] Builds multiple models in parallel using bootstrap samples and aggregates their predictions, such as in Random Forests.
  • Boosting:] Sequentially trains models, focusing on correcting previous errors, exemplified by AdaBoost and Gradient Boosting.
  • Stacking:] Combines different types of models by training a meta-model on their outputs.

الاعتبارات المتعلقة بالتصميم والأمثلة

وعند تصميم مجموعة من النماذج، والنظر في تنوع النماذج، والتكاليف الحاسوبية، وإمكانية تفسير النظام الموحد، مثلا، تستخدم غابات الرنّة أكياساً بأشجار القرار لمعالجة البيانات ذات الأبعاد العالية بفعالية، واتباع أساليب مثل استخدام الخريجين مناسبة للبيانات المنظمة، وغالباً ما تحقق الدقة العالية.

ويشمل تنفيذ أساليب الجمع اختيار نماذج أساسية مناسبة، وضبط مقاييس ضغط الدم، والتحقق من الأداء على مجموعات بيانات منفصلة، ويكفل التصميم السليم تعزيز القدرة التنبؤية دون تعقيد مفرط.