Tại sao không luôn luôn sử dụng học tập đồng bộ?

Dường như đối với tôi, việc học tập SILL luôn mang lại hiệu quả dự đoán tốt hơn so với chỉ một giả thuyết học tập duy nhất.

Vậy tại sao chúng ta không sử dụng chúng mọi lúc?

Tôi đoán là vì có lẽ, giới hạn tính toán? (ngay cả khi đó, chúng tôi sử dụng các yếu tố dự đoán yếu, vì vậy tôi không biết).

Nói chung không phải là nó sẽ luôn hoạt động tốt hơn. Có một số phương pháp tập hợp, mỗi phương pháp có ưu điểm / điểm yếu riêng. Cái nào để sử dụng và sau đó phụ thuộc vào vấn đề trong tay.

Ví dụ: nếu bạn có các mô hình có phương sai cao (chúng phù hợp với dữ liệu của bạn), thì bạn có thể được hưởng lợi từ việc sử dụng đóng bao. Nếu bạn có các mô hình thiên vị, tốt hơn là kết hợp sử dụng chúng với Boosting. Ngoài ra còn có các chiến lược khác nhau để tạo thành quần thể. Chủ đề chỉ quá rộng để bao quát nó trong một câu trả lời.

Nhưng quan điểm của tôi là: nếu bạn sử dụng phương pháp tập hợp sai cho cài đặt của mình, bạn sẽ không làm tốt hơn. Ví dụ: sử dụng Bagging với mô hình thiên vị sẽ không có ích.

Ngoài ra, nếu bạn cần làm việc trong môi trường xác suất, các phương thức tập hợp cũng có thể không hoạt động. Được biết , Boosting (ở dạng phổ biến nhất như AdaBoost) mang lại ước tính xác suất kém. Đó là, nếu bạn muốn có một mô hình cho phép bạn suy luận về dữ liệu của mình, không chỉ phân loại, bạn có thể tốt hơn với một mô hình đồ họa.