Impulsando
Este artículo es un borrador sobre probabilidades y estadísticas .
Puedes compartir tus conocimientos mejorándolos ( ¿cómo? ) Según las recomendaciones de los proyectos correspondientes .
Consulte la lista de tareas a realizar en la página de discusión .
Impulsando| Subclase | Metaheurístico |
|---|---|
| Aspecto de | Aprendizaje supervisado |
El impulso es un campo del aprendizaje automático (rama de la inteligencia artificial ). Es un principio que reúne muchos algoritmos que se basan en conjuntos de clasificadores binarios: el impulso optimiza su rendimiento.
El principio proviene de la combinación de clasificadores (también llamados hipótesis). Mediante iteraciones sucesivas, el conocimiento de un clasificador débil - clasificador débil - se agrega al clasificador final - clasificador fuerte .
Llamamos aprendiz débil a un algoritmo que proporciona clasificadores débiles, capaces de reconocer dos clases al menos tan bien como lo haría el azar (es decir, que no se equivoca más de una vez en dos de media, si la distribución de clases es equilibrada). El clasificador proporcionado está ponderado por la calidad de su clasificación: cuanto mejor clasifique, más importante será. Los ejemplos mal clasificados se potencian para que tengan más importancia frente al alumno débil en la siguiente ronda, de modo que compensen la falta.
Uno de los algoritmos más utilizados en el impulso se llama AdaBoost , abreviatura de impulso adaptativo .
El impulso se basa en la teoría de aprendizaje CAP .
Principales métodos relacionados con el impulso
- Bootstraping
- Harpillera
- Impulsando
- AdaBoost
- DiscretoAB
- RealAB
- SuaveAB
- WeightBoost
- BrownBoost
- LogitBoost
- AsymBoost
- KLBoost
- FloatBoost
- GloBoost
- RankBoost
El método Adaboost puede verse como un caso especial del método de ponderación multiplicativa .
Otros métodos relacionados
- ADDEMUP
- arco: recombinación adaptativa de clasificadores
- ensacado: agregación bootstrap
- apilamiento de bolsas: ensacado más apilamiento
- cascada
- combinación de clasificadores
- comités de redes
- teoría del consenso
- cragging: agregación cruzada (como validación cruzada de k-fold)
- dagging: agregación de muestras disjuntas
- apilamiento de dag: dagging más apilamiento
- dividir y conquistar clasificadores
- hagging: agregación de media muestra
- mezcla de expertos
- múltiples sistemas de clasificación:
- clasificadores de múltiples etapas y niveles
- OLC: combinación lineal óptima
- pandemonio de agentes reflectantes
- algoritmos de tamizado
- apilamiento: alimentación de salidas de varios modelos (y posiblemente las entradas originales) en un modelo de segundo nivel
- votación