Agregació de bootstrap
La agregació d'arrancada, també coneguda com embossat, és un metaalgoritmo d'aprenentage automàtic dissenyat per a millorar l'estabilitat i precisió d'algoritmes d'aprenentage automàtic usats en classificació estadística i regressió. Ademés reduïx la varianza i ajuda a evitar el sobreajuste. Encara que és usualment aplicat a métodos d'arbres de decisió, pot ser usat en qualsevol tipo de método. L'embossat és un cas especial del promediado de models.
Descripció de la tècnica
[editar | editar còdic]Donat un conjunt d'entrenament estàndar D de tamany n, l'embossat genera m nous conjunts d'entrenament , cada u de tamany n′, per mig de mostreig uniforme i en tongada de D. En el cas del mostreig en tongada, algunes observacions deuen repetir-se en . Si n′=n, llavors per a un n gran el conjunt s'espera que tinga (1 - 1/i) (≈63.2%) eixemples únics de D, sent el restant duplicats.[1] Este tipo de mostra és conegut com a mostra d'arrancada. Els m models són aproximats usant les m mostres d'arrancada i combinats promediando el resultat (per a regressió) o votant (per a classificació).
L'embossat du a "millores per a procediments inestables" (Breiman, 1996), que inclouen, per eixemple, rets neuronals artificials, arbres de classificació i regressió, i selecció de subconjunts en regressió llineal (Breiman, 1994). Una aplicació interessant de l'embossat mostrant millories en l'aprenentage preimagen pot ser vist ací.[2][3] Per una atra part, açò pot degradar lleument el rendiment de métodos estables tals com a K-nearest neighbors (Breiman, 1996).
Eixemple: Senyes d'Ozon
[editar | editar còdic]Per a ilustrar els principis bàsics de l'embossat, es mostra a continuació un anàlisis de la relació entre l'ozon i la temperatura (senyes de Peter Rousseeuw i Leroy (1986), disponibles en conjuntes de senyes clàssiques, l'anàlisis està fet en R).
La relació entre la temperatura i l'ozon en este conjunt de senyes és aparentment no llineal, basat en el gràfic de dispersió. Per a descriure matemàticament esta relació, s'usen suavizadores LOESS. En lloc de construir un únic suavizador a partir del conjunt de senyes complet, 100 mostres d'arrancada de les senyes varen ser graficadas. Cada mostra és diferent del conjunt de senyes original, i aixina i tot s'assembla en distribució i variabilitat. Per cada mostra d'arrancada, un suavizador LOESS va ser ajustat. A través del ranc de les senyes, es varen fer prediccions a partir d'estos 100 suavizadores. Els primers 10 ajusts suaus apareixen en llínees grises en la figura. Les llínees clarament sobreajustan les senyes.
Pero prenent un promig de 100 suavizadores, cada u ajustat a un subconjunt del conjunt original, apleguem a un pronosticador embossat (llínea roja). Clarament, la mija és més estable i hi ha menys sobreajuste.
Vore també
[editar | editar còdic]Referències
[editar | editar còdic]- ↑ Aslam, Javed A.; Popa, Raluca A.; i Rivest, Ronald L. (2007); On Estimating the Size and Confidence of a Statistical Audit, Proceedings of the Electronic Voting Technology Workshop (EVT '07), Boston, MA, August 6, 2007. Generalisant, quan graficamos en tongada n′ valores fora del conjunt de n (diferents i igualment provables), el número esperat de gràfics únics és .
- ↑ Sahu, A., Runger, G., Apley, D., Image denoising with a multi-phase kernel principal component approach and anensemble version, IEEE Applied Imagery Pattern Recognition Workshop, pp.1-7, 2011.
- ↑ Shinde, Amit, Anshuman Sahu, Daniel Apley, and George Runger. "Preimages for Variation Patterns from Kernel PCA and Bagging." IIE Transactions, Vol.46, Iss.5, 2014
Bibliografia
[editar | editar còdic]
Referències
[editar | editar còdic]
- Este artícul conté una traducció derivada de «Agregación de bootstrap» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.