Što je poticajni algoritam?

Pojačavanje je metoda u algoritmima koji slabog učenika pretvaraju u snažnog učenika. To je tehnika koja dodaje nove modele da ispravi pogreške postojećih modela.

Primjer:

Shvatimo ovaj koncept uz pomoć sljedećeg primjera. Uzmimo primjer e-pošte. Kako ćete prepoznati svoju e-poštu je li neželjena ili ne? Možete ga prepoznati po sljedećim uvjetima:

  • Ako poruka e-pošte sadrži puno izvora, to znači da je neželjena pošta.
  • Ako poruka e-pošte sadrži samo jednu sliku datoteke, tada je neželjena pošta.
  • Ako poruka e-pošte sadrži poruku „Posjedovali ste lutriju u iznosu od xxxxx“, to znači da je neželjena pošta.
  • Ako poruka e-pošte sadrži neki poznati izvor, onda to nije neželjena pošta.
  • Ako sadrži službenu domenu poput educba.com, itd., To znači da nije neželjena pošta.

Gore navedena pravila nisu toliko moćna da prepoznaju neželjenu poštu ili ne, stoga ih ova pravila nazivaju slabim učenicima.

Za pretvaranje slabog učenika u snažnog učenika kombiniraju se predviđanja slabog učenika koristeći sljedeće metode.

  1. Korištenje prosjeka ili ponderiranog prosjeka.
  2. Razmislite o predviđanju ima viši glas.

Uzmite u obzir gore navedenih 5 pravila, postoje 3 glasa za neželjenu poštu i 2 glasa za neželjenu poštu. Budući da postoji velika količina neželjene pošte, smatramo je neželjenom.

Kako funkcionira poticanje algoritama?

Pojačavanje algoritama kombinira svakog slabog učenika kako bi stvorio jedno jako pravilo predviđanja. Da biste prepoznali slabo pravilo, postoji osnovni algoritam učenja (strojno učenje). Kad god se primjenjuje algoritam Base, on stvara nova pravila predviđanja pomoću postupka ponavljanja. Nakon nekih iteracija, on kombinira sva slaba pravila kako bi stvorio jedno jedinstveno pravilo predviđanja.

Za odabir ispravne distribucije slijedite dolje navedene korake:

Korak 1: Algoritam osnovnog učenja kombinira svaku distribuciju i na svaku distribuciju primjenjuje jednaku masu.

Korak 2: Ako se bilo kakvo predviđanje dogodi tijekom prvog algoritma osnovnog učenja, tada pridajemo veliku pažnju toj pogrešci predviđanja.

Korak 3: Ponavljajte korak 2 dok se ne dosegne ograničenje algoritma osnovnog učenja ili visoka preciznost.

Korak 4: Konačno, kombinira sve slabe učenike kako bi stvorio jednu jaku napovednu prognozu.

Vrste algoritama za jačanje

Algoritmi za jačanje koriste različite motore, kao što su žig odluke, maksimaliziranje klasifikacijskog algoritma itd. Postoje tri vrste potisnih algoritama koji su sljedeći:

  1. Algoritam AdaBoost (Adaptive Boosting)
  2. Algoritam za jačanje gradijenta
  3. XG algoritam za pojačavanje

Algoritam AdaBoost (Adaptive Boosting)

Da biste razumjeli AdaBoost, pogledajte sliku u nastavku:

Polje 1: U Okviru 1 za svaki skup podataka dodijelili smo jednake utege i za klasifikaciju plus (+) i minus (-) primjenjujemo pločicu D1 koja stvara okomitu liniju na lijevoj strani okvira 1. Ova linija je pogrešno predviđaju tri plus znaka (+) kao minus (-), stoga na te plus znak primjenjujemo veće težine i primjenjujemo još jedan korak.

Polje 2: U okviru 2, veličina tri pogrešno predviđena znaka plus (+) postaje veća u usporedbi s drugim. Drugi panj D2 na desnoj strani bloka predviđa da je ovaj pogrešno predviđen znak plus (+) tačan. Ali kako je došlo do pogreške u pogrešnoj klasifikaciji zbog nejednake težine sa znakom minus (-), dodijelimo veću težinu znaku minus (-) i primijenimo drugi korak.

Polje 3: U polju tri zbog pogreške pogrešne klasifikacije tri znaka minus (-) imaju veliku težinu. ovdje se primjenjuje pločica D3 za predviđanje ove pogrešne klasifikacije i ispravljanje iste. Ovaj put za razvrstavanje plus (+) i minus (-) znak kreira se horizontalna linija.

Okvir 4: Stup D1, D2 i D3 u Odluci 4 kombinirani su kako bi se stvorilo novo snažno predviđanje.

Radovi prilagodljivog poticanja slični su gore spomenutom. Kombinira skupinu oslabljenih učenika s obzirom na težinu kako bi stvorio snažnog učenika. U prvoj iteraciji on daje jednaku težinu svakom skupu podataka i započinje predviđanje tog skupa podataka. Ako se dogodi pogrešno predviđanje, to zapažanje daje veliku težinu. Prilagodljivo pojačavanje ponovite ovaj postupak u sljedećoj fazi ponavljanja i nastavite sve dok se ne postigne točnost. Zatim kombinira to kako bi stvorio snažno predviđanje.

Algoritam za jačanje gradijenta

Algoritam pojačavanja gradijenta je tehnika strojnog učenja za definiranje funkcije gubitka i za njegovo smanjivanje. Koristi se za rješavanje problema klasifikacije pomoću modela predviđanja. To uključuje sljedeće korake:

1. Funkcija gubitka

Upotreba funkcije gubitka ovisi o vrsti problema. Prednost povećavanja gradijentom je u tome što nema potrebe za novim algoritmom za povišenje za svaku funkciju gubitaka.

2. Slabi učenik

U jačanju gradijenta stabla odlučivanja koriste se kao slabi učenici. Regresijsko stablo koristi se za dobivanje istinskih vrijednosti koje se mogu kombinirati zajedno za stvaranje točnih predviđanja. Kao u AdaBoost algoritmu, koriste se i mala stabla s jednim rascjepom, tj. Panjev. Za veće razine i, e 4-8 razina, koriste se veća stabla.

3. Model aditiva

U ovom modelu stabla se dodaju jedno po jedno. postojeća stabla ostaju ista. Za vrijeme dodavanja stabala koristi se gradijentski pad kako bi se funkcija gubitaka svela na minimum.

XG pojačanje

XG Boost skraćen je za Extreme Gradient Boosting. XG Boost je nadograđena implementacija algoritma za povećanje gradijenta koji je razvijen za veliku računsku brzinu, skalabilnost i bolje performanse.

XG Boost ima sljedeće:

  1. Paralelna obrada: XG Boost pruža paralelnu obradu za izgradnju stabala koja koriste CPU jezgre za vrijeme treninga.
  2. Unapređena provjera valjanosti: XG Boost omogućava korisnicima da pokreću unakrsnu provjeru postupka poticanja pri svakoj iteraciji, što olakšava dobivanje točnog optimalnog broja ponavljajućih iteracija u jednom pokretu.
  3. Optimizacija predmemorije: Omogućuje optimizaciju predmemorije algoritama za veću brzinu izvršenja.
  4. Distribuirano računarstvo : za obuku velikih modela XG Boost omogućuje distribuirano računalstvo.

Preporučeni članci

U ovom smo članku vidjeli što je poticanje algoritma, različite vrste poticanja algoritma u strojnom učenju i njihovom radu. Možete i proći naše druge predložene članke da biste saznali više -

  1. Što je strojno učenje? | Definicija
  2. Programiranje jezika za učenje algoritama
  3. Što je Blockchain tehnologija?
  4. Što je algoritam?

Kategorija:

Veliki podaci