앙상블

앙상블 방법은 머신러닝(ML)에서 강력한 전략으로 머신 러닝(ML)의 강력한 전략으로 예측을 결합하여 전체 성능을 최적화하는 강력한 전략입니다. 다양한 알고리즘의 결과를 통합함으로써 이 접근 방식은 단일 모델 단독으로 발생할 수 있는 오류를 줄여 '군중의 지혜'를 효과적으로 활용하는 것을 목표로 합니다. "군중의 지혜"를 효과적으로 활용하는 것을 목표로 합니다. 주요 목표는 예측의 정확성과 예측의 정확성과 안정성을 향상시켜 최종적인 시스템을 보이지 않는 데이터에 더 일반화할 수 있도록 하는 것입니다. 이 기법은 특히 다음과 같은 일반적인 문제를 완화하는 데 효과적입니다. 과적합 및 편향-편차 트레이드오프와 같은 일반적인 문제를 완화하는 데 특히 효과적입니다. 모델이 학습 데이터의 노이즈가 아닌 진정한 기본 패턴을 포착하도록 보장합니다. 훈련 데이터.

앙상블 학습의 핵심 기술

앙상블을 구축하기 위한 몇 가지 기본 전략이 있으며, 각 전략은 학습 과정을 다르게 조작합니다. 기본 모델 간의 다양성을 달성하기 위한 몇 가지 기본 전략이 있습니다.

• 배깅(부트스트랩 집계): 이 방법은 데이터 세트의 서로 다른 무작위 하위 집합에 대해 동일한 알고리즘의 여러 인스턴스를 학습시키는 것입니다. 가장 유명한 예는 랜덤 포레스트입니다. 수많은 의사 결정 트리를 생성하고 그 결과를 병합하는 랜덤 포레스트가 대표적인 예입니다. 일반적으로 회귀를 위해 평균을 내거나 분류를 위해 투표를 합니다.
• 부스팅: 배깅과 달리 부스팅은 모델을 순차적으로 훈련시킵니다. 각각의 새로운 모델은 이전 모델의 오류를 수정하는 데 중점을 둡니다. AdaBoost, 그라디언트 부스팅, 그리고 XGBoost와 같은 알고리즘은 이 접근 방식을 사용하여 약한 학습자를 하나의 강력한 하나의 강력한 예측자로 변환합니다.
• 스택: 스택 일반화에는 다양한 기본 모델(예를 들어 신경망 및 서포트 벡터 머신)을 학습한 다음 "메타 학습자"를 사용하여 예측을 결합합니다. 이 메타 모델은 기본 모델에서 입력값을 평가하는 가장 좋은 방법을 학습하여 입력값에 가중치를 부여하는 최적의 방법을 학습하여 최종 오류를 최소화합니다.

실제 애플리케이션

앙상블 방식은 정밀도와 신뢰성이 중요한 환경에서 매우 중요합니다. 정확성과 신뢰성이 가장 중요한 환경에서 매우 중요합니다.

1. 의료 진단: In 의료 이미지 분석, 앙상블 컨볼루션 신경망(CNN) 은 종양과 같은 이상 징후를 detect 데 자주 사용됩니다. 다양한 시야각이나 해상도로 훈련된 모델을 결합하여 이 시스템은 개별 네트워크보다 더 높은 감도와 특이도를 달성하며, 이는 의료 분야에서 필수적인 의료 분야의 AI.
2. 자율 주행: 자율 주행의 안전 자율 주행 차량의 안전은 강력한 물체 감지에 달려 있습니다. 엔지니어들은 종종 다음과 같은 여러 감지 아키텍처를 YOLO11 및 RT-DETR-등 다양한 감지 아키텍처를 통해 다양한 조명과 날씨 조건에서 보행자와 장애물을 보행자와 장애물을 정확하게 식별할 수 있습니다.

Python 앙상블 구현하기

다음과 같은 프레임워크는 PyTorch 와 TensorFlow 와 같은 프레임워크는 복잡한 사용자 지정 앙상블을 허용하지만, 여러 학습된 모델을 실행하고 결과를 집계하여 기본적인 학습된 여러 모델을 실행하고 그 결과를 집계하여 기본적인 앙상블을 수행할 수도 있습니다. 다음 예제에서는 두 개의 서로 다른 Ultralytics YOLO 모델을 로드하여 예측을 생성하는 을 생성하는 것을 보여줍니다.

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)}")

앙상블과 관련 용어

'앙상블'을 ML 문헌에서 볼 수 있는 유사한 개념과 구별하는 것이 도움이 됩니다:

• 모델 앙상블: 반면 "앙상블"은 방법론 또는 기법을 의미하지만, "모델 앙상블"은 일반적으로 프로덕션에 배포된 특정 아티팩트인 특정 아티팩트(훈련된 모델 파일의 모음)를 의미합니다.
• 전문가 혼합(MoE): 기존 앙상블은 일반적으로 모든 예측에 대해 모든 구성 모델을 쿼리합니다. 이와는 대조적으로, MoE 아키텍처는 은 게이팅 메커니즘을 사용하여 주어진 입력에 대해 가장 관련성이 높은 "전문가" 하위 모델만 선택적으로 활성화하여 입력에 대해 가장 관련성이 높은 하위 모델만 선택적으로 활성화하여 계산 효율성을 최적화합니다.

앙상블 학습은 현대 데이터 과학의 초석으로 남아 있으며, 종종 다음과 같은 분야에서 리더 보드를 장악하고 있습니다. 리더보드를 장악하고 최첨단 애플리케이션을 구동합니다. 개발자는 모델을 효과적으로 결합하는 개발자는 모델을 효과적으로 결합하는 방법을 이해함으로써 컴퓨터 비전과 예측 분석의 경계를 넓힐 수 있습니다.