bỏ phiếu cứng, bỏ phiếu mềm trong các phương pháp dựa trên quần thể

Tôi đang đọc Máy học thực hành với Scikit-Learn và TensorFlow: Khái niệm, công cụ và kỹ thuật để xây dựng hệ thống thông minh . Sau đó, tôi không thể tìm ra sự khác biệt giữa bỏ phiếu cứng và bỏ phiếu mềm trong ngữ cảnh để tập hợp các phương pháp dựa trên.

Tôi trích dẫn mô tả của họ từ cuốn sách. Hai hình ảnh đầu tiên từ trên cùng là mô tả cho biểu quyết cứng và hình ảnh cuối cùng là biểu quyết mềm.

Theo quan điểm của tôi, bỏ phiếu cứng là quyết định đa số, nhưng tôi không hiểu bỏ phiếu mềm và lý do tại sao bỏ phiếu mềm tốt hơn bỏ phiếu cứng. Có ai dạy tôi những điều này không?

một bài tôi đọc

Hãy lấy một ví dụ đơn giản để minh họa cách cả hai phương pháp hoạt động.

Hãy tưởng tượng rằng bạn có 3 phân loại (1, 2, 3) và hai lớp (A, B), và sau khi đào tạo, bạn đang dự đoán lớp của một điểm duy nhất.

Bỏ phiếu cứng

Dự đoán :

Phân loại 1 dự đoán lớp A

Phân loại 2 dự đoán lớp B

Phân loại 3 dự đoán lớp B

2/3 phân loại dự đoán lớp B, vì vậy lớp B là quyết định chung .

Bỏ phiếu mềm

Phỏng đoán

(Điều này giống hệt với ví dụ trước, nhưng hiện được thể hiện dưới dạng xác suất. Các giá trị chỉ hiển thị cho lớp A ở đây vì vấn đề là nhị phân):

Phân loại 1 dự đoán lớp A với xác suất 99%

Phân loại 2 dự đoán loại A với xác suất 49%

Phân loại 3 dự đoán loại A với xác suất 49%

Xác suất trung bình thuộc về lớp A trên các phân loại là (99 + 49 + 49) / 3 = 65.67%. Do đó, lớp A là quyết định chung .

Vì vậy, bạn có thể thấy rằng trong cùng một trường hợp, bỏ phiếu mềm và cứng có thể dẫn đến các quyết định khác nhau. Bỏ phiếu mềm có thể cải thiện việc bỏ phiếu cứng vì nó tính đến nhiều thông tin hơn; nó sử dụng sự không chắc chắn của từng phân loại trong quyết định cuối cùng. Sự không chắc chắn cao trong phân loại 2 và 3 ở đây về cơ bản có nghĩa là quyết định của nhóm cuối cùng phụ thuộc rất nhiều vào phân loại 1.

Đây là một ví dụ cực đoan, nhưng không có gì lạ khi sự không chắc chắn này thay đổi quyết định cuối cùng.