Ensembles de modèles prédictifs: avantages et inconvénients

Beaucoup de gagnants récents en apprentissage automatique sont des ensembles de modèles prédictifs . Nous avons vu cela dans les nouvelles. Les défis de la science des données sont hébergés sur de nombreuses plateformes . Les techniques comprenaient les arbres de décision, la régression et les réseaux de neurones. Et, les ensembles gagnants les ont utilisés en concert. Mais comprenons le pour et le contre d’une approche globale.

Les avantages de Model Ensembles

L’approvisionnement en foule est meilleur; la diversité devrait être mise à profit. Nous devrions choisir le modèle Best parmi un éventail de choix. Un ensemble peut créer une variance et un biais plus faibles. En outre, un ensemble crée une compréhension plus profonde des données. Les modèles de données sous-jacents sont masqués. Les ensembles devraient être utilisés pour plus de précision.

En général, les ensembles ont une précision prédictive plus élevée . Les résultats des tests s'améliorent avec la taille de l'ensemble. C'est pourquoi les ensembles sont souvent des gagnants. Chaque technique a ses propres caractéristiques. Par exemple, dans les conflits de données et les options de réglage. Les ajustements permettent aux modèles de mieux s’adapter.

Avec une approche d’ensachage chaque modèle doit être réglé en sur-ajustement. L'indépendance du modèle est exploitée car la mise en sac est une technique de réduction de la variance. Les prévisions peuvent être adoucies pour une meilleure stabilité. Ces modèles sont exécutés en parallèle et moyennés. Avec boosting les modèles sont utilisés de manière séquentielle et les classifications erronées des exécutions précédentes ont plus de poids. Le boosting est une technique de réduction de biais. L'empilement peut être fait avec des forêts aléatoires. L'empilement améliore la précision tout en limitant les biais de variance et .

Cons of Model Ensembles

Toutefois, les ensembles de modèles ne sont pas toujours meilleurs. De nouvelles observations peuvent encore confondre. C'est-à-dire que les ensembles ne peuvent pas aider les différences inconnues entre l'échantillon et la population. Les ensembles doivent être utilisés avec précaution.

Est-ce compris? Les ensembles peuvent être plus difficiles à interpréter . Parfois, même les meilleures idées ne peuvent pas être vendues aux décideurs. Parfois, les meilleures idées ne sont pas acceptées par les utilisateurs finaux.

Enfin, les ensembles coûtent plus cher à créer, à former et à déployer. Le retour sur investissement d'une approche d'ensemble doit être considéré avec soin. Généralement, plus de complexité n'est pas bon en soi. KISS . Nous avons constaté qu'un tiers des pannes des systèmes IS est dû à la complexité de .

À emporter

Des résultats améliorés sont obtenus en utilisant un ensemble de modèle prédictif. Mais qu'essayons-nous de faire?