Why do Ensembles perform better tha

Why do Ensembles perform better than Single Networks?
3.1.1 In a Regression Context
First, as an illustrative scenario, consider a single neural network approximating a sine
wave; our network has been supplied with a limited set of datapoints to train on, the inputs
chosen randomly at uniform from [ −π, π], and a small amount of Gaussian noise added to
the outputs. Now, consider a single testing datapoint, to find the value of sin(2). The true
answer is ∼ 0.909, yet we know our network may possibly overpredict or underpredict that
value. The way in which it makes errors will follow a distribution dependent on the random
training data sample it received, and also on the random initialisation of the weights. The
mean of this distribution is the expectation value E {f}, and f is a network trained with
a particular dataset and a particular weight initialisation. Figure 3.1 illustrates a typical

ผลลัพธ์ (ไทย) 1:

ทำไมวงทำดีกว่าเครือข่ายเดียว3.1.1 ในบริบทถดถอยพิจารณาเครือข่ายประสาทเดี่ยวระหว่างไซน์เป็นครั้งแรก เป็นการแสดงในสถานการณ์จำลองคลื่น เครือข่ายของเรามีการให้ มีการตั้งค่าจำกัดของ datapoints รถไฟบน ปัจจัยการผลิตเลือกแบบสุ่มที่เหมือนจาก [−π π], และเสียง Gaussian เพิ่มจำนวนแสดงผล ตอนนี้ พิจารณาตัวเดียวทดสอบ datapoint หาค่าของ sin(2) ความจริงคำตอบคือ ∼ 0.909 แต่เรารู้ว่า เครือข่ายของเราอาจจะ overpredict หรือ underpredict ที่ค่า วิธีการที่ทำให้ข้อผิดพลาดจะเป็นไปตามการกระจายขึ้นอยู่กับการสุ่มข้อมูลการฝึกอบรมตัวอย่างจะได้ รับ และ ใน initialisation สุ่มของน้ำหนัก ที่ค่าเฉลี่ยของการแจกจ่ายนี้เป็นค่าคาดหวัง E {f }, และ f เป็นเครือข่ายที่มีการฝึกอบรมชุดข้อมูลเฉพาะและเฉพาะน้ำหนัก initialisation รูปที่ 3.1 แสดงโดยทั่วไป

ผลลัพธ์ (ไทย) 2:

ทำไมตระการตามีประสิทธิภาพสูงกว่าเครือข่ายเดี่ยว?
3.1.1 ในบริบทการถดถอยเป็นครั้งแรกในฐานะที่เป็นสถานการณ์ที่เป็นตัวอย่างให้พิจารณาเครือข่ายประสาทเดี่ยวใกล้เคียงไซน์คลื่น; เครือข่ายของเราได้รับมาพร้อมกับชุด จำกัด ของ datapoints ในการฝึกอบรมเกี่ยวกับปัจจัยการผลิตสุ่มเลือกที่สม่ำเสมอจาก[-π, π] และเป็นจำนวนเงินที่เล็ก ๆ ของเสียงเสียนที่จะเพิ่มผล ตอนนี้พิจารณาการทดสอบเดียว DataPoint เพื่อหาค่าของบาป (2) จริงคำตอบคือ 0.909 ~ แต่เรารู้ว่าเครือข่ายของเราอาจจะเป็นไปได้หรือ underpredict การณ์ว่ามูลค่า วิธีการที่มันทำให้ข้อผิดพลาดจะเป็นไปตามการกระจายขึ้นอยู่กับการสุ่มกลุ่มตัวอย่างข้อมูลการฝึกอบรมได้รับและยังอยู่ใน initialisation สุ่มของน้ำหนัก เฉลี่ยของการกระจายนี้เป็นค่าที่คาดหวัง E {F} และเอฟเป็นเครือข่ายการฝึกอบรมที่มีชุดข้อมูลโดยเฉพาะอย่างยิ่งและ initialisation น้ำหนักโดยเฉพาะอย่างยิ่ง รูปที่ 3.1 แสดงให้เห็นโดยทั่วไป

ผลลัพธ์ (ไทย) 3:

ทำไมตระการตาแสดงดีกว่าเครือข่ายเดียว

แรก 3.1.1 ในบริบทของการเป็นสถานการณ์ตัวอย่าง พิจารณาเดียวเครือข่ายประสาทประเภทคลื่นไซน์
; เครือข่ายของเราได้รับมาพร้อมกับชุด จำกัด ของ datapoints ฝึกบน กระผม
สุ่มเลือกในเครื่องแบบจาก−ππ [ , ] , และเล็กน้อย

) เพิ่มเสียง เอาท์พุท . ตอนนี้พิจารณาดาตาพอยนต์การทดสอบเดียว หาค่า sin ( 2 ) คำตอบที่แท้จริงคือ∼
0.909 , แต่เรารู้ว่าเครือข่ายของเรา อาจ overpredict หรือ underpredict ที่
ค่า วิธีที่ทำให้ผิดจะติดตามการกระจายขึ้นอยู่กับข้อมูลที่ได้รับการสุ่ม
ตัวอย่าง และยัง บน initialisation สุ่มของน้ำหนัก