iT邦幫忙

2023 iThome 鐵人賽

DAY 6
0
AI & Data

嘗試在AI世界闖蕩系列 第 6

Day 6 AI的主要演算法-3(符號學派)

  • 分享至 

  • xImage
  •  

Pedro Domingos的演算法分類:
https://ithelp.ithome.com.tw/upload/images/20230917/201631022fyoRhck9i.jpg


符號學派

  1. 集成學習法Ensemble Method
  • 集成學習法:降低一個樣本的缺點,混合多種樣本子集合、多種演算法且最後透過投票多數決or加權平均來產生答案。
    袋裝法Bagging=引導聚集演算法Bootstrap Aggregation

    • 隨機抽取的多個不同子樣本集經樣本運算,結果以投票or平均方式來決定。
    • 是一種並行的方法。
    • 目的是降低偏差、不平衡以及噪音,能達到此目的是因為抽樣。
    • 沒有強依關係,可同時生成。
    • 模式選擇:決策樹、SVM、迴歸分析、類神經網路。
    • 只解決了樣本有偏失的問題。
      https://ithelp.ithome.com.tw/upload/images/20230919/20163102l7gxCpdoXe.jpg

    隨機森林Random Forest,簡稱RF=特徵/改進版的袋裝法Feature Bagging

    • 改進版Bagging(加上模式選用不同的特徵子集合)。
    • 提高模式多樣性,從各樹原先樣本中隨機選擇不同的特徵子集合來建構➞每棵樹獨立、不相同與無相關性。
    • 同時解決單一樣本與單一演算法的偏失。
    • 大幅度降低過度擬合、不穩定的問題,提升準確度。
      https://ithelp.ithome.com.tw/upload/images/20230919/20163102FjrH9JTnYQ.jpg

    提升法Boosting

    • 序列式、強依賴的關係。
    • 不斷從錯誤中改善模式準確度的集成學習法。
    • 自是應提升法(Adaptive Boost)步驟:
      1.先創造一個淺層創造力弱的決策樹。
      2.輸入資料後找出錯誤的樣本。
      3.每個樣本都給不同的權重,錯誤越大權重越高。
      4.串見第二顆弱的決策樹,把不同權重資料再度輸入與此,修正上次預測錯誤。
      5.重複執行2-5。
      6.由過去每一次結果加權求得最終答案。
      https://ithelp.ithome.com.tw/upload/images/20230920/20163102YvIhaFFV0P.jpg

➊Bagging比較➌Boosting
https://ithelp.ithome.com.tw/upload/images/20230920/20163102rlfrWXjRlG.png


參考來源:人工智慧:概念應用與管理 林東清


上一篇
Day 5 AI的主要演算法-2(類推學派、符號學派)
下一篇
Day 7 AI的主要演算法(非監督演算法-K-Means、PCA)
系列文
嘗試在AI世界闖蕩31
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言