Zobacz także podobne pytanie na temat statystyki . SE .
W zwiększeniu algorytmy, takie jak adaboost i LPBoost wiadomo, że „słabe” uczestników być łączone tylko lepsze wyniki niż przypadek użyteczne z Wikipedia:
Stosowane przez niego klasyfikatory mogą być słabe (tj. Wykazywać znaczny poziom błędów), ale dopóki ich wydajność nie jest losowa (co powoduje, że współczynnik błędu wynosi 0,5 w przypadku klasyfikacji binarnej), poprawią one ostateczny model. Przydatne będą nawet klasyfikatory o wskaźniku błędów wyższym niż można by się spodziewać po losowym klasyfikatorze, ponieważ będą miały ujemne współczynniki w końcowej liniowej kombinacji klasyfikatorów, a zatem zachowają się jak ich odwrotności.
Jakie są zalety używania słabych w porównaniu z silnymi uczniami? (np. dlaczego nie wzmocnić za pomocą „silnych” metod uczenia się - czy jesteśmy bardziej podatni na nadmierne dopasowanie?)
Czy istnieje jakaś „optymalna” siła dla słabych uczniów? Czy ma to związek z liczbą uczniów w zespole?
Czy istnieje jakaś teoria potwierdzająca odpowiedzi na te pytania?