In order to generate ensembles, sev

In order to generate ensembles, several approaches are possible. The two most
common techniques are Bagging and Boosting. In Bagging, we perform sampling
with replacement, building the classifier on each bootstrap sample. Each sample has
probability (1− N )N of being selected – note that if N is large enough, this converges
to 1 − 1 ≈ 0.623. In Boosting we use an iterative procedure to adaptively change
distribution of training data by focusing more on previously misclassified records.
Initially, all records are assigned equal weights. But, unlike bagging, weights may
change at the end of each boosting round: Records that are wrongly classified will
have their weights increased while records that are classified correctly will have
their weights decreased. An example of boosting is the AdaBoost algorithm.

ผลลัพธ์ (ไทย) 1:

เพื่อสร้างวง หลายวิธีเป็นไปได้ สองเทคนิคทั่วไปจะเย็บถุงและ Boosting ในการเย็บถุง เราทำการสุ่มตัวอย่างกับเปลี่ยน อาคาร classifier ที่ในแต่ละตัวอย่างเริ่มต้นระบบ แต่ละอย่างได้ความน่าเป็น (1− N) N ที่เลือก – หมายเหตุว่า ถ้า N มีขนาดใหญ่เพียงพอ นี้ convergesการ 0.623 ≈− 1 1 ใน Boosting เราใช้กระบวนการซ้ำเพื่อเปลี่ยนแปลงอย่างเหมาะการกระจายของข้อมูลการฝึกอบรมโดยมุ่งเน้นเพิ่มเติมก่อนหน้านี้ misclassified ระเบียนตอนแรก ระเบียนทั้งหมดจะถูกกำหนดน้ำหนักเท่ากัน แต่ ซึ่งแตกต่างจากการเย็บถุง น้ำหนักอาจเปลี่ยนที่จุดสิ้นสุดของแต่ละเพิ่มรอบ: ระเบียนที่ผิด classified จะมีน้ำหนักเพิ่มขึ้นในขณะมี classified อย่างถูกต้องจะมีน้ำหนักลดลง ตัวอย่างของการส่งเสริมเป็นอัลกอริทึม AdaBoost

ผลลัพธ์ (ไทย) 2:

เพื่อที่จะสร้างตระการตา, หลายวิธีที่เป็นไปได้ ทั้งสองส่วนใหญ่
เทคนิคทั่วไปจะห่อและการส่งเสริม ในการบรรจุถุงที่เราดำเนินการสุ่มตัวอย่าง
ด้วยการเปลี่ยนอาคารเอ้อจัดประเภทในแต่ละตัวอย่างบูต ตัวอย่างแต่ละคนมี
ความน่าจะเป็น (1 N) ยังไม่มีการถูกเลือก - ทราบว่าถ้ายังไม่มีข้อความที่มีขนาดใหญ่พอที่นี้ลู่
ไป 1-1 ≈ 0.623 ในการส่งเสริมเราใช้ขั้นตอนซ้ำที่จะปรับเปลี่ยนการเปลี่ยนแปลง
การกระจายของข้อมูลการฝึกอบรมโดยมุ่งเน้นเพิ่มเติมเกี่ยวกับ misclassi ก่อนหน้านี้บันทึกเอ็ดไฟ.
ในขั้นต้นระเบียนทั้งหมดที่ได้รับมอบหมายน้ำหนักเท่ากัน แต่แตกต่างห่อน้ำหนักอาจ
เปลี่ยนตอนท้ายของแต่ละรอบการส่งเสริม: บันทึกที่จัดประเภทผิดจะ
มีน้ำหนักที่เพิ่มขึ้นในขณะที่มีการบันทึกจัดประเภทได้อย่างถูกต้องจะมี
น้ำหนักของพวกเขาลดลง ตัวอย่างของการส่งเสริมการเป็นอัลกอริทึม AdaBoost

ผลลัพธ์ (ไทย) 3:

เพื่อสร้างหลายตระการตา แนวทางที่เป็นไปได้ สองที่สุด
ทั่วไปเทคนิคถุงและเพิ่ม . ในถุง เราทำการสุ่ม
แทน อาคารจึง classi บูเอ้อในแต่ละตัวอย่าง แต่ละตัวอย่าง
ความน่าจะเป็น ( 1 − n ) N ของการเลือก–ทราบว่าถ้าไม่ใหญ่พอ นี่ -
1 − 1 ≈ 0.623 .ในการส่งเสริมให้เราใช้กระบวนการของการเปลี่ยนแปลงการกระจายของข้อมูลตามที่
ฝึกโดยเน้นเพิ่มเติมในก่อนหน้านี้ misclassi จึงเอ็ดประวัติ .
ตอนแรก ระเบียนทั้งหมดจะได้รับน้ำหนักที่เท่ากัน แต่แตกต่างจากถุง น้ำหนักอาจ
เปลี่ยนที่ส่วนท้ายของแต่ละรอบการบันทึกที่ผิด classi จึงเอ็ดจะมีน้ำหนักเพิ่มขึ้น ในขณะที่บันทึกของ
ที่ classi จึงเอ็ดถูกต้องจะมี
น้ำหนักของเขาลดลง ตัวอย่างของการเป็น adaboost
ขั้นตอนวิธี