Структура цього питання полягає в наступному: спочатку я надаю поняття ансамблевого навчання , далі подаю список завдань розпізнавання шаблонів , потім наводжу приклади алгоритмів навчання ансамблю та, нарешті, ввожу своє запитання. Ті, кому не потрібна вся додаткова інформація, можуть просто подивитися на заголовки і перейти безпосередньо до мого питання.
Що таке ансамблеве навчання?
Відповідно до статті Вікіпедії :
У статистиці та машинному навчанні методи ансамблі використовують декілька алгоритмів навчання, щоб отримати кращу прогнозовану ефективність, ніж можна отримати з будь-якого зі складових алгоритмів навчання. На відміну від статистичного ансамблю в статистичній механіці, який зазвичай нескінченний, ансамбль машинного навчання посилається лише на конкретний кінцевий набір альтернативних моделей, але, як правило, дозволяє існувати набагато більш гнучку структуру серед цих альтернатив.
Приклади завдань розпізнавання шаблонів:
- Оптичне розпізнавання символів
- Розпізнавання штрих-коду
- Розпізнавання номерного знака
- Виявлення обличчя
- Розпізнавання мови
- Розпізнавання зображень
- Класифікація документів
Приклади алгоритмів навчання ансамблю:
Наступні алгоритми навчання ансамблю, що використовуються для виконання завдань PR (відповідно до Wiki):
Складіть алгоритми навчання (керовані мета-алгоритми для комбінування кількох алгоритмів навчання разом):
Підвищення (мета-алгоритммашинного навчання з ансамблемдля в основному зменшенняупередженості, а також відхилення вконтрольованому навчанніта сімейство алгоритмів машинного навчання, які перетворюють слабких учнів на сильні)
Агрегація завантажувального завантаження (" пакетування ") (мета-алгоритм машинного навчання ансамблю, призначений для підвищення стабільності та точності алгоритмів машинного навчання, що використовуються встатистичній класифікаціїтарегресії).
Усереднення ансамблю (процес створення декількох моделей та їх комбінування для отримання бажаного результату, на відміну від створення лише однієї моделі. Часто ансамбль моделей працює краще, ніж будь-яка окрема модель, тому що різні помилки моделей "середні". )
- Суміш експертів, ієрархічна суміш експертів
Різні реалізації
- Ансамблі нейронних мереж (сукупність моделей нейронної мережі, що приймають рішення шляхом усереднення результатів окремих моделей).
- Випадковий ліс (ансамблевий метод навчання класифікації, регресії та інших завдань, які функціонують шляхом побудови безлічідерев рішеньу навчальний час та виведення класу, що єрежимомкласів (класифікація) або середнім прогнозуванням (регресією) особистості дерева).
- AdaBoost (вихід інших алгоритмів навчання ("слабких учнів") об'єднується у зважену суму, яка представляє кінцевий вихід підсиленого класифікатора).
Додатково:
- Методи, які використовують одну нейронну мережу для об'єднання різних класифікаторів
- Метод областей компетентності
Моє запитання
Який із алгоритмів навчання ансамблю вважається найсучаснішим на сьогодні та фактично використовується на практиці (для виявлення обличчя, розпізнавання реєстраційних табличок транспортних засобів, оптичного розпізнавання символів тощо) підприємствами та організаціями? Використання алгоритмів навчання ансамблю повинно підвищити точність розпізнавання та призвести до кращої обчислювальної ефективності. Але чи справді так стоять справи в реальності?
Який метод ансамблю, потенційно, може виявити кращу точність класифікації та ефективність у завданнях розпізнавання образів? Можливо, деякі методи зараз застаріли або виявились неефективними. Можливо також, що методи ансамблю тепер, як правило, більше не використовуються на основі деяких нових алгоритмів. Тим, хто має досвід у цій галузі або має достатньо знань у цій галузі, чи можете ви допомогти з’ясувати питання?
