Ensemble Learning
Categoria
Fundamentos de IA
Ensemble Learning é a técnica de combinar multiplos modelos para obter previsões mais robustas é precisas do que qualquer modelo individual. As estratégias principais sao Bagging, Boosting é Stacking.
Categoria
Fundamentos de IA
Compartilhar
O que é Ensemble Learning?
Ensemble Learning é uma abordagem que combina multiplos modelos de ML para produzir previsões superiores as de qualquer modelo individual. Baseia-se no principio de que a sabedoria coletiva supera a individual.
Estratégias Principais
- Bagging: treina modelos em paralelo com subconjuntos aleatorios dos dados
- Boosting: treina modelos sequêncialmente, cada um corrigindo erros do anterior
- Stacking: usa previsões de modelos base como entrada para um meta-modelo
- Voting: combina previsões por votacao ou media
Vantagens
Ensembles geralmente apresentam menor variancia, melhor generalização é maior robustez do que modelos individuais. Sao frequentes vencedores em competicoes de ciência de dados.
Exemplos
Random Forest (bagging), XGBoost (boosting) é stacking de modelos diversos sao implementações populares. Na Trilion, ensemble learning é uma estratégia avancada útilizada quando a máxima acuracia é necessária em projetos criticos.
