From this viewpoint we can immediat

From this viewpoint we can immediately see the parallels to an ensemble system. Each
member of an ensemble is a realisation of the random variable defined by this distribution over all possible training datasets and weight initialisations. The ensemble output is
the average of this set of realisations; all our diversity promoting mechanisms are there to
encourage our sample mean f¯ to be a closer approximation to E {f}. If we have a large
ensemble, we have a large sample from this space; consequently with a large sample we
can expect that we have a good approximation to the mean, E{f}. If we have a smaller
ensemble, we cannot expect this: our sample mean may be upward or downward biased. In
order to correct this, some methods, such as Bagging (see section 2.3.1), construct our networks from different training datasets, allowing us to sample a more representative portion
of the space. This illustration assumes that the expected value of our estimator is equal to
the true target value, i.e. an unbiased estimator. If this is not the case, we may have the
situation in figure 3.2.

ผลลัพธ์ (ไทย) 1:

จากจุดนี้ เราสามารถมองเห็น parallels ไประบบวงดนตรีทันที แต่ละสมาชิกของวงดนตรีเป็นปัญหาของตัวแปรสุ่มที่กำหนด โดยการกระจายนี้ผ่านทั้งหมดได้ฝึก datasets และน้ำหนัก initialisations วงดนตรีออกเป็นค่าเฉลี่ยของชุดนี้ของ realisations ทั้งหมดของเราหลากหลายส่งเสริมกลไกมีส่งเสริม f¯ ของเราหมายความว่าตัวอย่างจะ ประมาณใกล้กับ E {f } ถ้าเรามีขนาดใหญ่วงดนตรี เรามีตัวอย่างมากจากพื้นที่นี้ ดังนั้นกับตัวใหญ่อย่างเราสามารถคาดหวังว่า เรามีประมาณความดีหมายถึง E {f } ถ้าเรามีมีขนาดเล็กวงดนตรี เราไม่สามารถคาดหวังนี้: หมายความว่าตัวอย่างของเราอาจจะขึ้น หรือลงภาพได้ ในสั่งให้แก้ไขให้ถูกต้อง วิธีบางอย่าง เช่นเย็บถุง (ดูหัวข้อ 2.3.1) สร้างเครือข่ายของเราจาก datasets ฝึกอบรมแตกต่างกัน ทำให้เราตัวอย่างส่วนมากพนักงานของพื้นที่ ภาพประกอบนี้ถือว่าค่าคาดหมายของเราประมาณการเท่ากับจริงค่าเป้าหมาย เช่นการประมาณการคน ถ้าไม่ใช่ เราอาจจะสถานการณ์ในรูปที่ 3.2

ผลลัพธ์ (ไทย) 2:

จากมุมมองนี้เราได้ทันทีสามารถดูคล้ายคลึงกับระบบทั้งมวล แต่ละสมาชิกของวงดนตรีเป็นสำนึกของตัวแปรสุ่มที่กำหนดโดยการกระจายนี้ชุดข้อมูลการฝึกอบรมเป็นไปได้ทั้งหมดและน้ำหนัก initialisations เอาท์พุททั้งมวลเป็นค่าเฉลี่ยของชุดของความเข้าใจนี้; ทุกกลไกส่งเสริมความหลากหลายของเราจะมีการส่งเสริมให้ตัวอย่างของเราหมายถึง f จะเป็นประมาณใกล้ชิดกับ E {F} ถ้าเรามีขนาดใหญ่วงเรามีตัวอย่างที่มีขนาดใหญ่จากพื้นที่นี้ จึงมีกลุ่มตัวอย่างขนาดใหญ่ที่เราสามารถคาดหวังว่าเรามีดีที่จะประมาณค่าเฉลี่ย E {F} ถ้าเรามีขนาดเล็กชุดที่เราไม่สามารถคาดหวังนี้: หมายถึงตัวอย่างของเราอาจจะขึ้นหรือลงลำเอียง ในเพื่อที่จะแก้ไขปัญหานี้วิธีการบางอย่างเช่นบรรจุถุง (ดูหัวข้อ 2.3.1) สร้างเครือข่ายของเราจากการฝึกอบรมชุดข้อมูลที่แตกต่างกันทำให้เราสามารถลิ้มลองเป็นส่วนหนึ่งตัวแทนของพื้นที่ ภาพประกอบนี้อนุมานว่ามูลค่าที่คาดหวังของประมาณการของเราจะมีค่าเท่ากับค่าเป้าหมายที่แท้จริงคือเป็นกลาง estimator ถ้าไม่ได้เป็นกรณีที่เราอาจจะมีสถานการณ์ในรูปที่ 3.2

ผลลัพธ์ (ไทย) 3:

จากมุมมองนี้เราสามารถมองเห็นแนวการประสานกันของระบบ แต่ละสมาชิกของ ensemble
คือความเข้าใจของตัวแปรที่กำหนด โดยจำหน่ายผ่านการฝึกอบรมน้ำหนักและข้อมูลทั้งหมดที่เป็นไปได้ initialisations . วงดนตรีผลผลิตเฉลี่ยของ realisations
ชุดนี้ ทั้งหมดของเรามีความหลากหลาย ส่งเสริมกลไก

ส่งเสริมตัวอย่างของเราหมายถึง F ¯เป็นประมาณใกล้ E { F } ถ้าเรามีชุดใหญ่
เรามีตัวอย่างใหญ่จากพื้นที่นี้ ดังนั้น ด้วยตัวอย่างใหญ่เรา
สามารถคาดหวังว่าเราจะมีการประมาณที่ดีที่จะหมายถึง E { F } ถ้าเรามีวงดนตรีขนาดเล็ก
, เราไม่สามารถคาดหวังนี้ : ตัวอย่างของเราอาจจะขึ้นหรือลงลำเอียง ใน
เพื่อแก้ไข วิธีการบางอย่างเช่นถุง ( ดูมาตรา 2.3.1 ) สร้างเครือข่ายของเราจากข้อมูลการฝึกอบรมที่แตกต่างกันช่วยให้เราตัวอย่างส่วนตัวแทนมากกว่า
ของพื้นที่ ภาพนี้ถือว่า คาดว่ามูลค่าของประมาณการของเราเท่ากับ
ค่าเป้าหมายที่แท้จริง คือ การประมาณการที่ไม่ฝักใฝ่ฝ่ายใด ถ้ากรณีนี้ไม่ได้ เราอาจมี
สถานการณ์ในรูปที่ 3.2 .