ทำไมไม่ใช้การเรียนทั้งมวลเสมอไป

สำหรับฉันแล้วดูเหมือนว่าการเรียนรู้ทั้งมวล WILL จะให้ประสิทธิภาพการทำนายที่ดีกว่าเสมอโดยมีเพียงสมมติฐานการเรียนรู้เดียว

ดังนั้นทำไมเราไม่ใช้พวกเขาตลอดเวลา?

ฉันเดาว่าอาจเป็นเพราะข้อ จำกัด การคำนวณ? (ถึงอย่างนั้นเราก็ใช้ผู้ทำนายที่อ่อนแอดังนั้นฉันไม่รู้)

boosting ensemble bagging

เพราะการเรียนรู้ทั้งมวลไม่ได้ให้ประสิทธิภาพที่ดีขึ้นเสมอไป ทั้งการบรรจุและการส่งเสริมการทำงานในบางกรณี แต่สามารถลดประสิทธิภาพการทำงานอย่างรุนแรงในผู้อื่น

— Marc Claesen

โดยทั่วไปแล้วจะไม่เป็นความจริงที่มันจะทำงานได้ดีขึ้นเสมอ มีวิธีการรวมกันหลายวิธีแต่ละวิธีมีข้อดี / จุดอ่อนของตัวเอง ใช้ตัวไหนแล้วขึ้นอยู่กับปัญหาที่เกิดขึ้น

ตัวอย่างเช่นหากคุณมีแบบจำลองที่มีความแปรปรวนสูง (แบบจำลองเหล่านี้มีขนาดพอดีกับข้อมูลของคุณ) แสดงว่าคุณน่าจะได้รับประโยชน์จากการใช้ถุงบรรจุ หากคุณมีแบบเอนเอียงจะเป็นการดีกว่าถ้าใช้แบบรวมกับ Boosting นอกจากนี้ยังมีกลยุทธ์ที่แตกต่างในการสร้างวงดนตรี หัวข้อกว้างเกินไปที่จะครอบคลุมในคำตอบเดียว

แต่ประเด็นของฉันคือ: ถ้าคุณใช้วิธีวงดนตรีที่ไม่ถูกต้องสำหรับการตั้งค่าของคุณคุณจะไม่ทำได้ดีกว่า ตัวอย่างเช่นการใช้การห่อด้วยแบบลำเอียงจะไม่ช่วย

นอกจากนี้หากคุณจำเป็นต้องทำงานในการตั้งค่าความน่าจะเป็นวิธีการทั้งมวลอาจไม่ทำงานเช่นกัน เป็นที่ทราบกันว่า Boosting (ในรูปแบบที่นิยมมากที่สุดเช่น AdaBoost) ให้การประมาณการความน่าจะเป็นที่น่าสงสาร นั่นคือถ้าคุณต้องการมีแบบจำลองที่ช่วยให้คุณให้เหตุผลเกี่ยวกับข้อมูลของคุณไม่เพียง แต่การจำแนกประเภทคุณอาจจะดีกว่าด้วยโมเดลกราฟิก

— jpmuc
แหล่งที่มา

ตอการตัดสินใจมีอคติ แต่พวกมันถูกใช้อย่างประสบความสำเร็จกับการบรรจุถุง

ใช่ แต่วงดนตรียังคงลำเอียง เกิดอะไรขึ้นถ้าอคติเป็นปัญหาจริงๆ? การบรรจุถุงจะไม่ช่วยแก้ไข คุณสามารถเพิ่มการอ้างอิงไปยังกรณีที่คุณพูดถึง?

— jpmuc