Was Ist Ein Ensemble von Modellen?

Ein Ensemble-Modell ist eine Technik des maschinellen Lernens, die die Vorhersagen mehrerer einzelner Modelle (auch als Basismodelle oder schwache Lernende bekannt) kombiniert, um genauere und robustere Vorhersagen zu treffen. Anstatt sich auf ein einzelnes Modell zu verlassen, nutzt ein Ensemble die Weisheit der Menge, indem es die unterschiedlichen Meinungen seiner konstituierenden Modelle aggregiert, um eine endgültige Vorhersage zu erstellen.
Das Arbeitsprinzip des Ensemble-Modells wird im folgenden Schema beschrieben:

Wir haben schwache Lerner c1, c2, c3, die Vorhersagen p1, p2 und p3 liefern. Dann werden all diese Vorhersagen mit einem Meta-Klassifikator aggregiert, der uns eine endgültige Vorhersage gibt.
Die Anzahl der schwachen Lerner kann beliebig sein und wird so gewählt, dass mit der verfügbaren Rechenleistung die bestmöglichen Ergebnisse erzielt werden.
Ensembles können sehr vielfältig sein, daher können sie leicht angepasst werden, um spezifische Probleme zu lösen:

1. Wir können verschiedene Modelle als schwache Lerner verwenden: KNN, logistische Regression, SVM, Entscheidungsbäume, neuronale Netze usw.
2. Wir können verschiedene Aggregationsmethoden verwenden, um endgültige Vorhersagen zu erstellen. Es gibt 3 Hauptaggregationsmethoden:
   • Bagging;
   • Boosting;
   • Stacking.

Die richtige Wahl der Aggregationsmethode ist das interessanteste und effektivste Werkzeug zur Lösung von Problemen mit Ensembles von Modellen. Aggregationsmethoden werden in den nächsten Kapiteln ausführlicher besprochen.