مروری بر روش های یادگیری جمعی در یادگیری ماشین

امروزه استفاده از مفهوم یادگیری ماشین برای حل مسائل زیادی، بطور گسترده مورد استفاده قرار می گیرد. الگوریتم های متعددی در زمینه یادگیری ماشین ارائه شده است که هر یک نقاط قوت و ضعفی دارد و به دسته خاصی از الگوریتم های یادگیری ماشین اشاره دارد که در آن بجای استفاده از یک الگوریتم یادگیر، از چندین الگوریتم یادگیر در کنار هم استفاده می شود. در یادگیری جمعی هدف آن است که با ترکیب چند الگوریتم یادگیر مختلف و یا استفاده از یک الگوریتم یادگیرکه فرایند یادگیری آنها، متفاوت بوده است، بتوان الگوریتم ترکیبی را ارائه داد که نقاط ضعف هر الگوریتم بطور مستقل را کاهش دهد و قادر باشد در مسائل محتلف عملکرد خوبی را داشته باشد. الگوریتم های یادگیر جمعی بر اساس روش عملکرد به سه دسته اصلی تقسیم می شوند که شامل خانواده های stacking و boosting ،bagging می شود. در این مقاله به بررسی این خانوده از الگوریتم ها می پردازیم و نقاط ضعف، قوت و مسائلی که این روش ها احتمال موفقیت بیشتری دارند را بررسی می کنیم. همچنین این الگوریتم ها را نظر کارایی برای داده های نویزی مورد مطالعه قرار داده ایم.

Keywords:

یادگیر جمعی , جنگل تصادفی , یادگیر ضعیف , Boosting , Bagging , Stacking