ensemblebaserte

Ensemblebaserte metoder refererer til statistiske og maskinlæringsmetoder som bygger prediksjonsmodeller ved å kombinere flere individuelle modeller til et samlet ensemble. Hovedideen er at ulike modeller kan utfylle hverandres svakheter, slik at aggregasjonen gir høyere nøyaktighet og større robusthet enn en enkelt modell.

Det finnes tre primære tilnærminger: bagging, boosting og stacking. Bagging innebærer å lage flere treningssett gjennom sampling med erstatning og trene separate modeller på hvert sett; resultatene kombineres ofte gjennom gjennomsnitt eller flertallsbeslutning. Boosting bygger modeller sekvensielt, der hver ny modell fokuserer på å rette feilene til de foregående, ofte med vekting av feilene. Stacking trener forskjellige modeller og bruker en annen modell for å kombinere deres prediksjoner.

Kjente eksempler inkluderer random forest, som er en samling beslutningstrær bygget med bagging; gradient boosting og dets varianter som XGBoost og LightGBM; samt voting-ensembler som kombinerer ulike modelltyper gjennom soft eller hard voting. Innenfor naturvitenskap og værVarsling benyttes ensemblekalmanfilter (EnKF) for dataassimilering, der ensemblet representerer usikkerhet i tilstandsskjermer og observasjoner.

Ensemblebaserte metoder egner seg spesielt når data er heterogene eller når enkelmodeller lider av overtilpasning. De krever ofte mer beregningskraft og kan være mindre gjennomsiktige enn enkeltmodeller, noe som kan påvirke tolkbarhet og feildiagnose.

Se også: ensemblemetoder, random forest, gradient boosting, EnKF, stacking, voting.