En ML, si recuerda bootstrapping, que consiste en muestrear aleatoriamente los puntos de datos con reemplazo.
Es similar al método de subespacio aleatorio, que es similar al embolsado (método de aprendizaje conjunto), excepto que las características (atributos / variables independientes) se muestrean aleatoriamente con reemplazo para cada alumno, es decir, hace que los alumnos débiles o más bien los alumnos no se centren demasiado en un atributo descriptivo, pero concéntrese también en otras características, ya que podría estar descartando puntos fuera del conjunto. Por ejemplo, considere la clasificación de texto donde el número de características (n) es generalmente >> puntos de entrenamiento (m).
Entonces, para cada modelo, cree un conjunto de entrenamiento con ciertas (n_i) características de n con reemplazo y modelo de entrenamiento. Haga esto para cada modelo (considerando que es un algoritmo de conjunto).
- ¿Qué estructura de datos puedo usar para representar códigos QR?
- ¿Hacia dónde se dirigirá la investigación de aprendizaje automático en los próximos 5 años? ¿Cuáles serán las áreas más emocionantes y prometedoras?
- ¿Cuáles son algunos de los problemas abiertos más importantes en biología computacional?
- ¿Por qué se considera que los campeones de las hojas de cálculo son analistas de datos expertos mientras que los estudiantes de ciencias de la computación quedan en segundo plano?
- ¿A dónde va el contenido medio descargado si detenemos la descarga a mitad de camino?
Ahora, aplique el conjunto a un punto invisible, combine la salida de L modelos individuales por votación mayoritaria o cualquier otra técnica que se ajuste mejor.
Un ejemplo práctico para el conjunto puede ser: – CEO de la compañía tomando consejos de cada dominio de expertos y luego decidiendo no basar su decisión en una persona en particular.
