مجموعه رأیگیری
یک مجموعه رأیگیری چندین طبقهبند متنوع را به طور مستقل آموزش میدهد و پیشبینیهای آنها را با رأی ترکیب میکند: رأیگیری سخت، کلاسی را انتخاب میکند که توسط بیشترین مدلها انتخاب شده است، در حالی که رأیگیری نرم، تخمینهای احتمال کلاس آنها را میانگینگیری میکند، که به صورت اختیاری با وزنهای مخصوص هر مدل همراه است. ترکیب معمولاً از هر عضو منفرد بهتر عمل میکند و پس از تنظیم مدلهای پایه، نیازی به آموزش اضافی ندارد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
منابع
- Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
- Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Voting Ensemble (Majority and Weighted Voting of Multiple Classifiers). ScholarGate. https://scholargate.app/fa/machine-learning/voting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- بگینگ (تجمیع بوتاسترپ)یادگیری ماشین↔ compare
- بوستینگیادگیری ماشین↔ compare
- درختان اضافی (Extra Trees)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- چیدمانیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →