Aprenentage per conjunts
En estadística i aprenentage automàtic, els métodos per conjunts utilisen múltiples algoritmes d'aprenentage per a obtindre un rendiment predictiu millor que el que podria obtindre's en qualsevol dels algoritmes d'aprenentage constituents per sí sols.[1][2][3] A diferència d'un conjunt estadístic en mecànica estadística, que sol ser infinit, un conjunt d'aprenentage automàtic consta únicament d'un conjunt finito concret de models alternatius, pero normalment permet que existixca una estructura molt més flexible entre eixes alternatives.
Descripció general
[editar | editar còdic]Els algoritmes d'aprenentage supervisat realisen la tasca de buscar a través d'un espai d'hipòtesis per a trobar una hipòtesis adequada que faça bones prediccions en un problema concret.[4] Encara que l'espai d'hipòtesis continga hipòtesis molt adequades per a un problema concret, pot ser molt difícil trobar una bona. Els conjunts combinen múltiples hipòtesis per a formar una hipòtesis (en sòrt) millor. El terme "conjunt" sol reservar-se als métodos que generen múltiples hipòtesis utilisant el mateix aprenent base. El terme més ampli de sistemes classificadors múltiples també comprén l'hibridació d'hipòtesis que no són induïdes pel mateix aprenent base.
Evaluar la predicció d'un conjunt sol requerir més càlculs que evaluar la predicció d'un únic model. En cert sentit, l'aprenentage per conjunts pot considerar-se una forma de compensar els algoritmes d'aprenentage deficients realisant molts càlculs adicionals. Per un atre costat, l'alternativa és realisar molt més aprenentage en un sistema que no és per conjunts. Un sistema per conjunts pot ser més eficient a l'hora de millorar la precisió global pel mateix aument de recursos de computació, almagasenament o comunicació utilisant eixe aument en dos o més métodos, que lo que s'hauria millorat aumentant l'us de recursos per a un sol método. Els algoritmes ràpits, com els arbres de decisió, solen utilisar-se en métodos de conjunts (per eixemple, els boscs aleatoris), encara que els algoritmes més llents també poden beneficiar-se de les tècniques d'ensamblage.
Per analogia, les tècniques de conjunts s'han utilisat també en escenaris d'aprenentage no supervisat, per eixemple en l'agrupació per consens o en la detecció d'anomalies.
Teoria de conjunts
[editar | editar còdic]Empíricamente, els conjunts tendixen a donar millors resultats quan hi ha una diversitat significativa entre els models.[5][6] Per lo tant, molts métodos de conjunts intenten promoure la diversitat entre els models que combinen.[7][8] Encara que potser no siga intuïtiu, es poden utilisar algoritmes més aleatoris (com els arbres de decisió aleatoris) per a produir un conjunt més fort que algoritmes molt delliberats (com els arbres de decisió en reducció d'entropía).[9] No obstant, s'ha demostrat que l'us d'una varietat d'algoritmes d'aprenentage potents és més eficaç que l'us de tècniques que intenten simplificar els models per a promoure la diversitat.[10] És possible aumentar la diversitat en la fase d'entrenament del model utilisant la correlació per a tasques de regressió[11] o utilisant medides d'informació com l'entropía creuada per a tasques de classificació.[12]
Teòricament, es pot justificar el concepte de diversitat perque el llímit inferior de la taxa d'error d'un sistema conjunt es pot descompondre en precisió, diversitat i l'atre terme.[13]
Referències
[editar | editar còdic]- ↑ Journal of Artificial Intelligence Research.11
- 169–198.ISSN 1076-9757.doi:10.1613/jair.614.Consultat el 2024-03-05.
- ↑ IEEE Circuits and Systems Magazine..doi:10.1109/MCAS.2006.1688199.
- ↑ Artificial Intelligence Review..doi:10.1007/s10462-009-9124-7.
- ↑ Encyclopedia of Machine Learning..doi:10.1007/978-0-387-30164-8_373.
- ↑ Machine Learning.
- ↑ Advances in Neural Information Processing Systems, volume 8.
- ↑ Information Fusion.
- ↑ CLEI Electronic Journal.8(2)
- 1:1–1:12.ISSN 0717-5000.doi:10.19153/cleiej.8.2.1.Consultat el 2024-03-05.
- ↑ Proceedings of the Third International Conference on Document Analysis and Recognition.
- ↑ Seventh International Conference on Machine Learning and Applications.doi:10.1109/ICMLA.2008.154.
- ↑ Neural Networks.12(10)
- 1399–1404.ISSN 0893-6080.doi:10.1016/s0893-6080(99)00073-8.Consultat el 2024-03-05.
- ↑ Cyber Security Cryptography and Machine Learning.doi:10.1007/978-3-030-20951-3_18.
- ↑ Proceedings of the 39th International Conference on Machine Learning.PMLR.
- 15976–16016.Consultat el 2024-03-06.
Referències
[editar | editar còdic]
- Este artícul conté una traducció derivada de «Aprendizaje por conjuntos» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.