Структура этого вопроса следующая: сначала я представляю концепцию обучения ансамблям , далее я даю список задач распознавания образов , затем я привожу примеры алгоритмов обучения ансамблям и, наконец, представляю свой вопрос. Те, кому не нужна вся дополнительная информация, могут просто посмотреть на заголовки и перейти прямо к моему вопросу.
Что такое обучение ансамблю?
Согласно статье в Википедии :
В статистике и машинном обучении методы ансамбля используют несколько алгоритмов обучения, чтобы получить лучшую прогностическую эффективность, чем можно было бы получить с помощью любого из составляющих алгоритмов обучения. В отличие от статистического ансамбля в статистической механике, который обычно бесконечен, ансамбль машинного обучения относится только к конкретному конечному набору альтернативных моделей, но, как правило, допускает наличие гораздо более гибкой структуры среди этих альтернатив.
Примеры задач распознавания образов:
- Оптическое распознавание символов
- Распознавание штрих-кода
- Распознавание номерного знака
- Обнаружение лица
- Распознавание речи
- Распознавание изображений
- Классификация документов
Примеры ансамблевых алгоритмов обучения:
Следующие алгоритмы обучения ансамбля, используемые для задач PR (согласно Wiki):
Алгоритмы обучения ансамбля (контролируемые мета-алгоритмы для объединения нескольких алгоритмов обучения):
Повышение (мета-алгоритмансамбля машинного обучения,предназначенный, главным образом, для уменьшениясистематической ошибки, а также дисперсииконтролируемого обученияи семейства алгоритмов машинного обучения, которые превращают слабых учащихся в сильных)
Агрегирование начальной загрузки (« пакетирование ») (мета-алгоритм ансамбля машинного обучения, разработанный для повышения стабильности и точности алгоритмов машинного обучения, используемых встатистической классификацииирегрессии).
Усреднение по ансамблю (процесс создания нескольких моделей и их объединения для получения желаемого результата, в отличие от создания только одной модели. Часто ансамбль моделей работает лучше, чем любая отдельная модель, поскольку различные ошибки моделей «усредняются». )
- Смесь экспертов, иерархическая смесь экспертов
Разные реализации
- Ансамбли нейронных сетей (набор моделей нейронных сетей, принимающих решение путем усреднения результатов отдельных моделей).
- Случайный лес (ансамблевый метод обучения для классификации, регрессии и других задач, который работает путем построения множествадеревьев решенийво время обучения и вывода класса, который являетсярежимомклассов (классификация) или средним прогнозом (регрессия) индивида деревья).
- AdaBoost (выходные данные других алгоритмов обучения («слабые учащиеся») объединяются во взвешенную сумму, которая представляет окончательный результат повышенного классификатора).
Дополнительно:
- Методы, которые используют одну нейронную сеть для объединения разных классификаторов
- Метод сфер компетенции
Мой вопрос
Какой из алгоритмов обучения ансамбля считается современным и в настоящее время используется на практике (для обнаружения лиц, распознавания номерных знаков транспортных средств, оптического распознавания символов и т. Д.) Предприятиями и организациями? Предполагается, что использование алгоритмов обучения ансамбля повысит точность распознавания и приведет к лучшей вычислительной эффективности. Но так ли обстоят дела в реальности?
Какой метод ансамбля потенциально может показать лучшую точность классификации и производительность в задачах распознавания образов? Возможно, некоторые из методов уже устарели или оказались неэффективными. Также возможно, что ансамблевые методы теперь, как правило, больше не используются в силу некоторых новых алгоритмов. Те, кто имеет опыт работы в этой области или обладает достаточными знаниями в этой области, можете ли вы помочь прояснить вопросы?
