Röstningsensemble
En röstningsensemble tränar flera olika klassificerare oberoende av varandra och kombinerar deras prediktioner genom en röst: hård röstning väljer den klass som valts av flest modeller, medan mjuk röstning genomsnittar deras klass-sannolikhetsestimat, eventuellt med vikter per modell. Kombinationen överträffar vanligtvis någon enskild medlem och kräver ingen ytterligare träning efter att basmodellerna har anpassats.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Voting Ensemble (Majority and Weighted Voting of Multiple Classifiers). ScholarGate. https://scholargate.app/sv/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.
- Bagging (Bootstrap Aggregating)Maskininlärning↔ compare
- BoostingMaskininlärning↔ compare
- Extra TreesMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- StackingMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →