アンサンブル

アンサンブル法は、機械学習（ML）において 機械学習（ML）において 全体的なパフォーマンスを最適化するために、複数の異なるモデルからの予測を組み合わせる。多様な 多様なアルゴリズムの出力を集約することで、このアプローチは、単一のモデルが単独で犯すかもしれないエラーを減らし、効果的に "群衆の知恵 "を活用することを目的としている。 群衆の知恵"第一の目標は 予測精度と安定性を向上させ、最終的なシステムを システムを未知のデータに対してより一般化できるようにすることである。このテクニックは、以下のような一般的な問題を軽減するのに特に効果的である。 オーバーフィッティングや バイアスと分散のトレードオフのような一般的な問題を軽減するのに特に効果的です。 モデルが学習データのノイズではなく、真の基本パターンを捉えることを保証します。 を確実に捉えることができる。

アンサンブル学習のコア技術

アンサンブルを構築するための基本的な戦略はいくつかあり、それぞれがベースモデル間の多様性を実現するために、異なる方法で学習プロセスを操作する。 を操作する。

• バギング（Bagging：Bootstrap Aggregating）： この方法では、データセットの異なるランダムなサブセットに対して、同じアルゴリズムの複数のインスタンスをトレーニングする。 最も有名な例はランダムフォレストである。 多数の決定木を構築し、その結果をマージする。 通常、回帰の場合は平均化、分類の場合は投票によって行われる。
• ブースティング：バギングとは異なる、 ブースティングはモデルを順次訓練する。それぞれの新しいモデルは、その前のモデルが犯したエラーを修正することに集中する。 AdaBoostなどのアルゴリズムがある、 勾配ブースティング XGBoostのようなアルゴリズムは、弱い学習者を単一の強力な予測子に変換するために、このアプローチを使用する。 単一の強力な予測器に変換する。
• スタッキング積み重ね 汎化には、多様なベースモデル（例えば、ニューラルネットワークと ニューラルネットワークと サポートベクターマシンなど）を学習し メタ・ラーナー」を使ってそれらの予測を組み合わせる。このメタ・モデルは、ベース・モデルからの入力を最小化するため このメタ・モデルは、最終的な誤差を最小化するために、ベース・モデルからの入力を計量する最良の方法を学習する。

実際のアプリケーション

アンサンブル・メソッドは、精度と信頼性が最重要視されるような利害の大きい環境では非常に重要である。 重要な手法である。

1. 医療診断医療画像解析では 医療画像分析では 畳み込みニューラルネットワーク(CNN) は、腫瘍などの異常をdetect するためによく使用される。異なる視野角や解像度で学習したモデルを組み合わせることで、システムはより高い感度と特異性を達成する。 システムは個々のネットワークよりも高い感度と特異性を達成する。 ヘルスケアにおけるAI
2. 自律航法：自律走行車の安全性は 自律走行車の安全性は に依存します。エンジニアはしばしば 複数の検出アーキテクチャを YOLO11や RT-DETR-などの複数の検出アーキテクチャーを使用することで、さまざまな照明条件や天候の下でも歩行者や障害物を正しく認識することができます。 照明や天候が変化する状況下でも、歩行者や障害物を正しく認識することができます。

Pythonアンサンブルを実装する

のようなフレームワークは PyTorchや TensorFlowやTensorFlowのようなフレームワークでは複雑なカスタムアンサンブルを行うことができますが 複数の学習済みモデルを実行し、その結果を集約することで、基本的なアンサンブルを実行することもできます。以下の例では 2つの異なる Ultralytics YOLOモデルをロードして を生成しています。

from ultralytics import YOLO

# Load two distinct YOLO11 models (e.g., Nano and Small versions)
model_n = YOLO("yolo11n.pt")
model_s = YOLO("yolo11s.pt")

# Run inference on a sample image
image_url = "https://ultralytics.com/images/bus.jpg"
results_n = model_n(image_url)
results_s = model_s(image_url)

# Compare the number of detected objects from each model
print(f"Nano Model Detections: {len(results_n[0].boxes)}")
print(f"Small Model Detections: {len(results_s[0].boxes)}")

アンサンブルと関連用語

アンサンブル」をMLの文献に見られる類似の概念と区別することは有益である：

• モデル・アンサンブル：モデル・アンサンブル 「アンサンブル "が手法やテクニックを指すのに対し、"モデル・アンサンブル "は通常、実運用に展開される特定の成果物（学習済みモデル・ファイルの集合）を指す。 モデル・アンサンブル」とは、通常、本番環境で展開される特定の成果物（学習済みモデル・ファイルの集合）を指す。
• 専門家の混合（MoE）： 従来のアンサンブルは通常、すべての予測に対してすべての構成モデルに問い合わせを行う。対照的に、MoEアーキテクチャ は、与えられた入力に対して最も関連性の高い「エキスパート」サブモデルのみを選択的にアクティブにするゲーティング・メカニズムを使用します。 計算効率を最適化します。

アンサンブル学習は、現代のデータサイエンスの基礎であり、Kaggleコンペティションや最先端のアプリケーションのリーダーボードを頻繁に席巻している。 Kaggleコンペティションで上位を占め、最先端のアプリケーションを動かしている。モデルを効果的に組み合わせる方法を理解することで モデルを効果的に組み合わせる方法を理解することで、開発者はコンピュータ・ビジョンと予測分析の限界を押し広げることができます。 コンピュータ・ビジョンと予測分析の限界を押し広げることができます。