การเรียนรู้ของเครื่อง Ensemble สามารถแบ่งออกเป็นส่วนใหญ่ในการบรรจุหีบห่อและการส่งเสริม เทคนิคการบรรจุถุงมีประโยชน์สำหรับทั้งการถดถอยและการจำแนกทางสถิติ การบรรจุถุงใช้กับต้นไม้ตัดสินใจซึ่งจะช่วยเพิ่มเสถียรภาพของแบบจำลองอย่างมีนัยสำคัญในการลดความแปรปรวนและเพิ่มความแม่นยำซึ่งช่วยขจัดความท้าทายในการใส่อุปกรณ์มากเกินไป
รูปที่ 1. ขั้นตอนการบรรจุถุง (Bootstrap Aggregation) ที่มา
การบรรจุในแมชชีนเลิร์นนิงต้องใช้โมเดลที่อ่อนแอหลายแบบโดยรวบรวมการคาดการณ์เพื่อเลือกการคาดการณ์ที่ดีที่สุด รุ่นที่อ่อนแอมีความเชี่ยวชาญในส่วนที่แตกต่างกันของพื้นที่คุณลักษณะซึ่งช่วยให้การคาดการณ์การใช้ประโยชน์จากถุงจากทุกรุ่นบรรลุวัตถุประสงค์สูงสุด
Quick Su mmary
- การบรรจุถุงและการส่งเสริมเป็นสองวิธีหลักในการเรียนรู้ของเครื่องทั้งชุด
- การบรรจุถุงเป็นวิธีการทั้งชุดที่สามารถใช้ในการถดถอยและการจำแนกประเภท
- เป็นที่รู้จักกันในชื่อ bootstrap aggregation ซึ่งเป็นการแบ่งประเภทของถุงสองประเภท
Bootstrapping คืออะไร?
การบรรจุถุงประกอบด้วยสองส่วน: การรวมและการบูต Bootstrapping เป็นวิธีการสุ่มตัวอย่างซึ่งตัวอย่างถูกเลือกจากชุดโดยใช้วิธีการแทนที่ จากนั้นอัลกอริทึมการเรียนรู้จะทำงานกับตัวอย่างที่เลือก
เทคนิค bootstrapping ใช้การสุ่มตัวอย่างด้วยการแทนที่เพื่อทำให้ขั้นตอนการเลือกเป็นแบบสุ่มอย่างสมบูรณ์ เมื่อตัวอย่างถูกเลือกโดยไม่มีการแทนที่การเลือกตัวแปรที่ตามมาจะขึ้นอยู่กับการเลือกก่อนหน้าเสมอดังนั้นจึงทำให้เกณฑ์ไม่สุ่ม
Aggregation คืออะไร?
การคาดคะเนแบบจำลองต้องผ่านการรวบรวมเพื่อรวมเข้าด้วยกันสำหรับการคาดการณ์ขั้นสุดท้ายเพื่อพิจารณาผลลัพธ์ทั้งหมดที่เป็นไปได้ การรวมสามารถทำได้โดยขึ้นอยู่กับจำนวนผลลัพธ์ทั้งหมดหรือตามความน่าจะเป็นของการคาดการณ์ที่ได้จากการบูตของทุกรุ่นในขั้นตอน
Ensemble Method คืออะไร?
ทั้งการบรรจุถุงและการส่งเสริมรูปแบบเป็นเทคนิคที่โดดเด่นที่สุด วิธีการทั้งมวลเป็นแพลตฟอร์มการเรียนรู้ของเครื่องที่ช่วยในการฝึกอบรมหลายรุ่นโดยใช้อัลกอริทึมการเรียนรู้เดียวกัน วิธีการทั้งมวลเป็นผู้มีส่วนร่วมของกลุ่มตัวจำแนกหลายตัวที่ใหญ่กว่า
Multi-classifiers คือกลุ่มของผู้เรียนหลาย ๆ คนโดยมีเป้าหมายร่วมกันที่สามารถหลอมรวมและแก้ปัญหาทั่วไปได้ หลายประเภทของตัวแยกประเภทอื่นคือวิธีไฮบริด วิธีการแบบผสมผสานใช้ชุดของผู้เรียน แต่ต่างจากตัวแยกประเภทหลายตัวคือพวกเขาสามารถใช้วิธีการเรียนรู้ที่แตกต่างกันได้
การเรียนรู้ต้องเผชิญกับความท้าทายหลายประการเช่นข้อผิดพลาดที่เกิดจากอคติเสียงรบกวนและความแปรปรวนเป็นหลัก ความแม่นยำและความเสถียรของแมชชีนเลิร์นนิงได้รับการรับรองโดยวิธีการทั้งชุดเช่นการบรรจุถุงและการเร่งความเร็ว การรวมตัวแยกประเภทหลายตัวช่วยลดความแปรปรวนโดยเฉพาะอย่างยิ่งเมื่อตัวแยกประเภทไม่เสถียรและมีความสำคัญในการนำเสนอผลลัพธ์ที่น่าเชื่อถือมากกว่าตัวแยกประเภทเดี่ยว
การประยุกต์ใช้การบรรจุถุงหรือการเพิ่มประสิทธิภาพจำเป็นต้องเลือกอัลกอริทึมของผู้เรียนพื้นฐานก่อน ตัวอย่างเช่นหากใครเลือกต้นไม้จัดหมวดหมู่การส่งเสริมและการบรรจุถุงจะเป็นกลุ่มต้นไม้ที่มีขนาดเท่ากับความต้องการของผู้ใช้
ข้อดีและข้อเสียของการบรรจุถุง
Random forest Random Forest สุ่มฟอเรสต์เป็นเทคนิคที่ใช้ในการสร้างแบบจำลองการคาดการณ์และการวิเคราะห์พฤติกรรมและสร้างขึ้นจากต้นไม้ตัดสินใจ ฟอเรสต์แบบสุ่มมีต้นไม้ตัดสินใจจำนวนมากเป็นหนึ่งในอัลกอริธึมการบรรจุถุงที่ได้รับความนิยมมากที่สุด การบรรจุถุงมีข้อดีในการอนุญาตให้ผู้เรียนที่อ่อนแอจำนวนมากรวมความพยายามที่จะเอาชนะผู้เรียนที่แข็งแกร่งเพียงคนเดียว นอกจากนี้ยังช่วยในการลดความแปรปรวนดังนั้นการกำจัด Overfitting Overfitting Overfitting เป็นคำที่ใช้ในสถิติที่อ้างถึงข้อผิดพลาดในการสร้างแบบจำลองที่เกิดขึ้นเมื่อฟังก์ชันตรงกับชุดข้อมูลเฉพาะของแบบจำลองในขั้นตอนมากเกินไป
ข้อเสียอย่างหนึ่งของการบรรจุถุงคือการสูญเสียความสามารถในการตีความแบบจำลอง โมเดลผลลัพธ์อาจมีอคติมากมายเมื่อกระบวนการที่เหมาะสมถูกละเว้น แม้ว่าการบรรจุถุงจะมีความแม่นยำสูง แต่ก็มีราคาแพงในการคำนวณและอาจทำให้ไม่สามารถใช้งานได้ในบางกรณี
การบรรจุถุงเทียบกับการส่งเสริม
เทคนิคที่ดีที่สุดที่จะใช้ระหว่างการบรรจุถุงและการเพิ่มประสิทธิภาพขึ้นอยู่กับข้อมูลที่มีอยู่การจำลองและสถานการณ์ที่มีอยู่ในขณะนั้น ความแปรปรวนของค่าประมาณจะลดลงอย่างมีนัยสำคัญโดยเทคนิคการบรรจุหีบห่อและการส่งเสริมระหว่างขั้นตอนการรวมกันซึ่งจะช่วยเพิ่มความแม่นยำ ดังนั้นผลลัพธ์ที่ได้แสดงให้เห็นถึงความเสถียรที่สูงกว่าผลลัพธ์ของแต่ละบุคคล
เมื่อมีเหตุการณ์ที่ท้าทายประสิทธิภาพต่ำเทคนิคการบรรจุถุงจะไม่ส่งผลให้เกิดอคติที่ดีขึ้น อย่างไรก็ตามเทคนิคการเพิ่มประสิทธิภาพจะสร้างแบบจำลองแบบรวมที่มีข้อผิดพลาดต่ำกว่าเนื่องจากมุ่งเน้นไปที่การเพิ่มประสิทธิภาพของข้อดีและการลดข้อบกพร่องในแบบจำลองเดียว
เมื่อความท้าทายในรุ่นเดียวมีการติดตั้งมากเกินไปวิธีการบรรจุถุงจะทำงานได้ดีกว่าเทคนิคการเพิ่มพลัง การบูสต์ต้องเผชิญกับความท้าทายในการจัดการที่เกินพอดีเนื่องจากมันมาพร้อมกับความกระชับในตัวเอง
การอ่านที่เกี่ยวข้อง
Finance มีโปรแกรม Financial Modeling & Valuation Analyst (FMVA) ™FMVA® Certification เข้าร่วมกับนักเรียนกว่า 350,600 คนที่ทำงานใน บริษัท ต่างๆเช่นโปรแกรมการรับรอง Amazon, JP Morgan และ Ferrari สำหรับผู้ที่ต้องการยกระดับอาชีพของตนไปอีกขั้น หากต้องการเรียนรู้และพัฒนาฐานความรู้ของคุณต่อไปโปรดสำรวจแหล่งข้อมูลด้านการเงินที่เกี่ยวข้องเพิ่มเติมด้านล่าง:
- การสุ่มตัวอย่างคลัสเตอร์การสุ่มตัวอย่างคลัสเตอร์ในทางสถิติการสุ่มตัวอย่างคลัสเตอร์เป็นวิธีการสุ่มตัวอย่างที่ประชากรทั้งหมดของการศึกษาแบ่งออกเป็นเนื้อเดียวกันจากภายนอก แต่ภายใน
- อคติเกินความเชื่อมั่นอคติ Overconfidence Bias Overconfidence bias คือการประเมินทักษะสติปัญญาหรือพรสวรรค์ของเราที่ผิดพลาดและทำให้เข้าใจผิด ในระยะสั้นมันเป็นความเชื่อแบบถือตัวว่าเราดีกว่าที่เป็นจริง อาจเป็นอคติที่อันตรายและมีผลอย่างมากในการเงินเชิงพฤติกรรมและตลาดทุน
- Regression Analysis Regression Analysis การวิเคราะห์การถดถอยเป็นชุดของวิธีการทางสถิติที่ใช้สำหรับการประมาณความสัมพันธ์ระหว่างตัวแปรตามกับตัวแปรอิสระอย่างน้อยหนึ่งตัว สามารถใช้เพื่อประเมินความแข็งแกร่งของความสัมพันธ์ระหว่างตัวแปรและเพื่อสร้างแบบจำลองความสัมพันธ์ในอนาคตระหว่างตัวแปรเหล่านี้
- การวิเคราะห์ข้อมูลอนุกรมเวลาการวิเคราะห์ข้อมูลอนุกรมเวลาการวิเคราะห์ข้อมูลอนุกรมเวลาคือการวิเคราะห์ชุดข้อมูลที่เปลี่ยนแปลงในช่วงเวลาหนึ่ง ชุดข้อมูลอนุกรมเวลาบันทึกการสังเกตของตัวแปรเดียวกันในช่วงเวลาต่างๆ นักวิเคราะห์ทางการเงินใช้ข้อมูลอนุกรมเวลาเช่นการเคลื่อนไหวของราคาหุ้นหรือยอดขายของ บริษัท ในช่วงเวลาหนึ่ง